You are on page 1of 36

PROPOSAL PENELITIAN

KAJIAN HUJAN LEBAT DI PADANG
DENGAN MEMANFAATKAN CITRA SATELIT HIMAWARI-8
DAN DATA GSMaP
(Studi Kasus 2 Agustus dan 11 November 2015)

SISKA ANGGRAENI
NPT 14.15.0028

PROGRAM SARJANA TERAPAN METEROLOGI
SEKOLAH TINGGI METEOROLOGI KLIMATOLOGI DAN GEOFISIKA
TANGERANG SELATAN
2015

HALAMAN PERSETUJUAN
1

PROPOSAL SKRIPSI

KAJIAN HUJAN LEBAT DI PADANG
DENGAN MEMANFAATKAN CITRA SATELIT HIMAWARI-8 DAN
DATA GSMaP
(Studi Kasus 2 Agustus dan 11 November 2015)

Diusulkan Oleh
SISKA ANGGRAENI
NPT 14.15.0028

Telah disetujui oleh :

2

Kepala Program Studi Meteorologi

Pembimbing Utama

Drs. Suyatim, M.Si

Andersen L. Panjaitan, M.Res

NIP. 19570311 197910 1 001

NIP 19870504 200701 1 005

DAFTAR ISI

HALAMAN JUDUL......................................................................................
HALAMAN PENGESAHAN.......................................................................
DAFTAR ISI..................................................................................................
DAFTAR TABEL..........................................................................................
DAFTAR GAMBAR......................................................................................

i
ii
iii
iv
v

BAB 1 PENDAHULUAN.............................................................................
1.1 Latar Belakang..........................................................................................
1.2 Rumusan Masalah.....................................................................................
1.3 Batasan Masalah.......................................................................................
1.4 Tujuan Penelitian.....................................................................................
1.5 Manfaat Penelitian..................................................................................

1
1
4
4
5

BAB 2 LANDASAN TEORI.........................................................................
2.1 Tinjauan Pustaka......................................................................................
2.2 Landasan Teori.........................................................................................
2.2.1 Hujan...............................................................................................
2.2.2 Satelit Himawari-8...........................................................................
2.2.3 Kaitan antara Reflektivitas dan Suhu Kecerahan dengan curah
hujan................................................................................................
2.2.4 Satellite Animation and Interactive Diagnosis (SATAID)............
2.2.5 Global Satellite Mapping of Precipitation (GSMaP).......................
2.2.6 Regresi Linier ..................................................................................

6
6
8
8
8
14
17
17
18

BAB 3 METODE PENELITIAN...................................................................
3.1 Jenis Penelitian.........................................................................................
3.2 Prosedur Penelitian...................................................................................
3.2.1 Lokasi dan waktu penelitian.............................................................
3.2.2 Data..................................................................................................
3.2.3 Alat penelitian..................................................................................
3.2.4 Teknik pengolahan data...................................................................
3.2.5 Analisis data...................................................................................
3.3 Verifikasi dan Validasi.............................................................................
3.4 Diagram Alir Penelitian...........................................................................
3.5 Rencana Kegiatan Penelitian....................................................................

20
20
20
20
21
21
22
23
26
27
28

DAFTAR PUSTAKA.....................................................................................

29

3

................ 18 Tabel 3.3 Rencana kegiatan penelitian tahap 2... 23 Tabel 3...............1 Kanal yang dimiliki oleh Himawari-8..................................DAFTAR TABEL Tabel 2............................ 28 4 ..........................................................................2 Rencana kegiatan penelitian tahap 1.........1 Spesifikasi data penelitian..... 28 Tabel 3.......................................2 Karakteristik data GSMaP_NRT................... 12 Tabel 2...

2 Diagram alir penelitian................DAFTAR GAMBAR Gambar 1........ 13 Gambar 2.................................4 Estimasi spektral respon band cahaya tampak............... 11 Gambar 2.......................9 Histogram Temperatur kecerahan puncak awan (oC) untuk : (a) semua intensitas hujan (b) hujan ringan (c) hujan sedang (d) hujan deras...................5 Estimasi spektral respon infra merah........................ 14 Gambar 2........1 Urutan Waktu Mengorbitnya MTSAT dan Himawari-8..... 16 Gambar 3........................................3 Resolusi Temporal Himawari-8..... 10 Gambar 2.......6 Estimasi respon spektral band inframerah termal....................................... 15 Gambar 2........8 Klasifikasi awan berdasarkan suhu kecerahan (TBB)........ 13 Gambar 2............... Gambar 2....... 10 Gambar 2......................7 Perilaku gelombang pendek jika mengenai awan tinggi dan awan rendah...dekat (NIR)................ 21 Gambar 3.2 Perkembangan spesifikasi data Satelit Cuaca Himawari-8 dibanding seri sebelumnya. 27 5 2 ................. 15 Gambar 2..........................................................1 Peta Administratif Kota Padang............................................1 Konsep GPM................................................................7 Gambar 2..................................................................

peringatan dini bencana (cuaca ekstrim).BAB 1 PENDAHULUAN 1. produksi pertanian. pemodelan hidrologi. Untuk menanggulangi keterbatasan dan melengkapi pengamatan curah hujan yaitu dengan menggunakan data penginderaan jauh (remote sensing) satelit cuaca. Dalam rangka mendukung program GPM ini. baik kualitas maupun kuantitas di suatu tempat sangatlah sulit. JAXA sejak mengembangkan sebuah algoritma yang disebut Global Satellite Mapping of Precipitation (GSMaP) yang mampu menyediakan data presipitasi dengan format dan kualitas spasial dan temporal yang lebih baik yang sangat penting untuk operasional seperti peringatan dini cuaca ekstrem. Distribusi global curah hujan merupakan data yang sangat penting untuk meningkatan kualitas prakiraan cuaca. Vicente (1998) juga menjelaskan keterbatasan pengamatan curah hujan oleh radar yaitu gelombang radar yang sensitif terhadap ground clutter ( baik pemukiman maupun pegunungan / perbukitan).1 LATAR BELAKANG Curah hujan merupakan parameter cuaca yang penting dalam sistem bumi. sebuah misi Internasional yang diprakarsai oleh NASA dan JAXA yaitu Global Precipitation Measurements (GPM) telah mampu menyediakan data pengamatan presipitasi yang akurat . Data GSMaP dari JAXA ini telah divalidasi dan kalibrasi dengan data penakar maupun data radar di Jepang dengan hasil yang cenderung baik dan telah dipakai untuk operasional sejak tahun 2006. dan sebagainya. dan variasi Z-R. Sugiartha (2013) mengemukakan secara keseluruhan produk GSMaP_MVK memberikan potensi yang menjanjikan dalam aplikasi untuk memantau kondisi curah hujan 1 . Syahputra (2008) menjelaskan bahwa sifat curah hujan sulit diukur ini karena memiliki variabilitas dan diskontinuitas spasial serta temporal yang tinggi menyebabkan pengukuran curah hujan menggunakan data yang berasal dari stasiun-stasiun hujan sangat terbatas baik yang di daratan apalagi yang di atas perairan. masalah atenuasi. beam overshoot. Dalam rangka monitoring presipitasi. Untuk mendapatkan data pengamatan curah hujan yang representatif.

1 sebelum kejadian banjir di beberapa lokasi penelitian.00 UTC 7 Juli 2015 menggantikan MTSAT 2. resolusi spasial mencapai 0. Gambar 1. dan resolusi temporal yang tinggi yaitu 10 menit untuk liputan seluruh belahan bumi dan 2.5 menit untuk liputan khusus wilayah Jepang.gov/GPM Satelit cuaca dengan orbit geostasioner yang digunakan operasional BMKG saat ini adalah Satelit Satelit Himawari-8. Syaifulah (2014) telah melakukan validasi data GSMaP dengan data curah hujan observasi di tiga DAS di Indonesia dan memperoleh hasil yang lebih baik dimana hasil analisis terhadap data pengukuran menunjukkan pola yang sesuai dengan nilai pengamatan (aktual) dibanding data TRMM NASA (3B42RT). Satelit ini merupakan satelit MTSAT generasi baru yang diluncurkan oleh JMA pada musim panas 2014 dan mulai beroperasi pada 02. 1 Konsep GPM Sumber : NASA. Satelit ini dilengkapi dengan Advanced Himawari Imagers (AHIs) yang memiliki 16 band pada kanal IR – Visible ( 3 Visible. dan 10 IR). Kelebihan Satelit Himawari-8 dibanding generasi pendahulunya adalah memiliki peningkatan jumlah kanal yang signifikan yaitu 16 band pada kanal IR-NIR-Visible. 3 Near IR. Semakin banyaknya kanal dan semakin tingginya resolusi temporal maupun spasial pada data Satelit Himawari-8 ini sangat diperlukan dan diharapkan akan memberikan peluang meningkatkan akurasi prediksi cuaca di .5 – 2 km.

Tiga di antaranya terjadi di Kota Padang. Kondisi geografis Sumatera Barat dengan bukit barisan yang membentang dari Utara. yang tentu akan meningkatkan potensi terjadi banjir dan atau tanah longsor. Pada beberapa kejadian hujan lebat yang disertai banjir dan tanah longsor. Indarung Padang (Tempo. didahului oleh curah hujan dengan intensitas lebat dan durasi lama. data pengukuran curah hujan di jaringan stasiun BMKG terkadang kurang mewakili fenomena cuaca ekstrim yang mana salah satu kriterianya adalah curah hujan > 20mm/jam atau ≥50 mm/hari. Secara klimatologis. serta letak geografis nya yang berbatasan langsung dengan Samudera Hindia di sebelah Barat dan adanya jajaran Bukit Barisan di sebelah Timur. Letak Kota Padang yang berada di sekitar ekuator. Oleh sebab itu penulis tertarik untuk memanfaatkan citra satelit . maupun peringatan dini cuaca ekstrim untuk mengurangi dampak yang merugikan masyarakat. Banjir dan tanah longsor merupakan salah satu bencana yang cukup sering terjadi di Sumatera Barat. Hal ini dapat dilihat dari data BNPB yang mencatat ada 13 kejadian banjir baik disertai tanah longsor maupun tidak di Sumatera Barat selama bulan Januari-Agustus 2015. Hujan lebat sering terjadi di Sumatera Barat terutama pada puncak bulanbulan hujan. 12 November 2015).3 wilayah tropis seperti Indonesia yang memiliki dinamika perubahan cuaca yang cepat. Sumatera Barat memiliki pola curah hujan ekuatorial dengan puncak hujan bulan Maret dan November dan sepanjang tahun masuk kriteria bulan hujan. Pada umumnya bencana banjir dan tanah longsor ini. sangat mempengaruhi proses pembentukan cuaca. Informasi pengamatan curah hujan secara real time ini sangat penting bagi prakirawan dalam rangka pembuatan prakiraan dan analisis cuaca. Pengukuran curah hujan pada pos hujan kerjasama memiliki keterbatasan yaitu setiap 24 jam. Khususnya apabila hujan lebat terjadi di kawasan bukit barisan yag merupakan hulu dari beberapa sungai yang melintasi kota Padang.Tenggara rata-rata 10 km dari garis pantai juga merupakan penghalang bagi radar dalam meng-cover wilayah di balik bukit barisan. Hujan lebat ini mengakibatkan banjir yang merendam pemukiman dan tanah longsor di wilayah Karang Putih.

Fenomena tersebut dipilih karena pada saat tersebut.5 Manfaat Penelitian ini diharap dapat bermanfaat untuk menambah pemahaman prakirawan dalam memanfaatkan citra satelit Himawari-8 dan data GSMaP dalam . c. 1. Bagaimana karakteristik masing. curah hujan mencapai > 100 mm/hari.4 Tujuan Tujuan penelitian ini adalah : a. Bagaimana hubungan suhu kecerahan puncak awan (TBB) pada kanal IR dan reflektansi pada kanal visible dengan curah hujan GSMaP dan observasi. Mengetahui karakteristik masing-masing kanal himawari-8 dalam fenomena hujan lebat tanggal 2 Agustus dan 11 November 2015 dan menentukan kanal yang paling tepat. b. Fenomena yang dikaji adalah cuaca ekstrim berupa hujan lebat pada tanggal 2 Agustus dan 11 November 2015. Menentukan hubungan persamaan empiris dari kanal yang terpilih (T BB pada kanal IR maupun reflektansi pada kanal visible) dengan data curah hujan GSMaP dan observasi. Masih jarangnya penelitian di Indonesia yang menggunakan produk terbaru satelit Himawari-8 dan GSMaP ini menjadikannya suatu kajian yang menarik. 1. dan tercatat sebagai bencana dalam database BNPB. c.3 Batasan Masalah Batasan masalah dalam penelitian ini adalah : a. Bagaimana akurasi dari persamaan empiris yang diperoleh dalam mendeteksi cuaca ekstrim (hujan lebat).2 Rumusan Masalah Dalam penelitian ini. Mengetahui akurasi persamaan empiris yang diperoleh. Wilayah kajian adalah adalah Kota Padang. b. c. 1. makalah yang akan dikaji antara lain: a. b. satelit Himawari-8 sudah beroperasi.5 Himawari-8 yang memiliki resolusi spektral. Yang akan dikaji adalah karakteristik kanal-kanal dalam Himawari-8 berdasarkan analisis citra satelit secara spasial dan temporal yang akan disandingkan dengan data hujan GSMaP dan observasi.masing kanal Himawari-8 dalam menjelaskan fenomena hujan lebat tanggal 2 Agustus dan 11 November 2015. 1. temporal yang tinggi dan produk curah hujan GSMaP untuk memantau curah hujan dan intensitas curah hujan pada kondisi cuaca ekstrim. spasial .

serta dapat digunakan sebagai bahan pertimbangan dan alternatif dalam pembuatan informasi / peringatan dini cuaca ekstrim yang lebih akurat untuk mengurangi dampak yang merugikan.7 proses analisis dan pembuatan prakiraan cuaca . .

P.87% masuk ke dalam kategori curah hujan periode jangka pendek. 27 lokasi atau 39.BAB 2 LANDASAN TEORI 2.2010. dkk (2012). Berdasarkan hasil kompilasi dan klasifikasi dari 69 kejadian banjir besar lokasi di Indonesia. dimana semakin turun suhu kecerahan awan maka semakin tinggi curah hujan yang dihasilkan kecuali untuk awan cirus. 6 . dari dua pola curah hujan sebelum banjir terjadi diperoleh 42 lokasi atau 60. Aryasta. dkk (2009) dalam jurnal mereka yang berjudul penentuan Hubungan Antara Suhu Kecerahan Data MTSAT Dengan Curah Hujan Data QMORPH.2010) dan Kementerian Pekerjaan Umum Republik Indonesia (2006 2010).13% kategori curah hujan periode jangka panjang. Hasil dari penelitian ini yaitu diperoleh korelasi yang cukup signifikan antara suhu kecerahan awan dari data MTSAT dan curah hujan dari data QMORPH . secara umum Indonesia memiliki dua karakteristik pola hujan sebelum banjir terjadi yaitu curah hujan periode jangka pendek dan curah hujan periode jangka panjang. melakukan penyelidikan terhadap karakteristik pola curah hujan yang terjadi sebelum banjir terjadi dengan mengolah data curah hujan per-jam dari GSMaP _MVK di setiap lokasi banjir besar yang terjadi di Indonesia dari tahun 2006 . Data banjir besar dikumpulkan dari Dartmouth Flood Observatory (2006 .1 Tinjauan Pustaka Penelitian tentang pemanfaatan citra satelit dan data pengukuran curah hujan berbasis satelit untuk memprakirakan dan menganalisis hujan lebat telah dilakukan sebelumnya. menganalisis korelasi antara suhu kecerahan awan (MTSAT-IR) dengan curah hujan (QMORPHS) pada 621 pixel (wilayah DAS Bengawan Solo) dalam 240 titik waktu pengamatan (1-10 Februari 2009). Berdasarkan hasil pengolahan data. Parwati. dalam jurnal mereka yang berjudul Characteristic of Rainfall Pattern Before Flood Occur in Indonesia Based on Rainfall Data From GSMaP.

banjir terjadi ketika curah hujan mencapao 406 mm . dkk (2013) dalam jurnalnya yang berjudul Verification Of Hourly GSMaP Rainfall Estimates During The Flood Events in Kumamoto Perfecture. maka semakin rendah nilai suhu puncak awan. Perbandingan grafik antara GSMaP_MVK dengan data curah hujan menunjukkan adanya perbedaan dalam . Japan. melakukan verifikasi dua jenis data GSMap yaitu GSMap_MVK dan GSMap_NRT terhadap data penakar curah hujan. Verifikasi dari data curah hujan per-jam menunjukkan bahwa GSMaP_MVK cukup baik untuk mendeteksi kejadian banjir. Sugiartha (2013) dalam tesisnya yang berjudul Monitoring Kejadian Banjir Di Indonesia Menggunakan Data Gsmap dan Penakar Hujan.608 mm dalam seminggu. Dalam periode jangka panjang . Perbandingan data secara visual dari dua data observasi telah dibuat dalam bentuk runut waktu dan diagram hambur berdasarkan metode analisis dari titik ke titik. Pekanbaru.2010 menggunakan data GSMap_MVK dengan resolusi 0. membandingkan suhu puncak awan dari piksel citrasatelit dengan suhu puncak awan dari analisis SATAID dandi perangkat lunak GMSLPWdan data curah hujan TRMM. yang disebut periode jangka panjang dan periode jangka pendek. Indragiri Hulu. Dalam periode jangka pendek. Tetapi data ini tetap dapat digunakan untuk analisis darurat ketika data observasi tidak tersedia. dan mengidentifikasi pola curah hujan yang menyebabkan banjir. sedangkan GSMaP_NRT kurang baik dalam mendeteksi curah hujan sebelum kejadian banjir terutama dalam hal distribusi spasial. banjir terjadi ketika curah hujan mencapa 199 mm – 435 mm dalam lima jam. Setiawati.7 Sagita (2013) dalam jurnalnya yang berjudul Analisis Hujan ekstrim di Manado 16 Februari 2013 menggunakan citra MTSAT dan TRMM. Menghasilkan kesimpulan bahwa semakin tinggi nilai pixel.1o dan data penakar hujan sebagai pembanding. Penelitian ini juga memverikasi akurasi GSMaP_MVK dalam mendeteksi kondisi hujan/tidak hujan sehubungan dengan data curah hujan untuk kejadian banjir di luar lokasi penelitian menggunakan verifikasi statistik kontinyu dan kategori. Samarinda dan Manado selama kurun waktu 2003 . mengevaluasi variasi intensitas dan pola yang mendahului kejadian banjir di Medan. Terdapat dua pola curah hujan sebelum kejadian banjir.

2 Landasan Teori 2. Hujan ringan dengan intensitas antara 1 – 5 mm per jam atau 5 – 20 mm per 24 jam. 2. jika air tersebut tidak meresap ke dalam tanah atau menguap ke atmosfer (Tjasyono. .Brantas Jawa Timur dan DAS Larona Sulawesi Selatan. Dari analisis dua jenis tipe data tersebut. Secara umum nilai curah hujan GSMaP_NRT mempunyai pola yang mengikuti curah hujan pengamatan (aktual) meskipun nilainya cenderung di bawah perkiraan. Intensitas hujan di bagi menjadi : a. DAS Sutami . 2004). Menurut BMKG (2003). c. Syaifullah (2014) dalam jurnalnya yang berjudul Validasi Data TRMM terhadap Data Curah Hujan Aktual di Tiga DAS di Indonesia. Hujan adalah bentuk endapan yang sering dijumpai. menunjukkan bahwa GSMap_NRT lebih mendekati data pengamatan dibandingkan dengan TRMM 3B42. Hujan sedang dengan intensitas antara 5 – 10 mm per jam atau 20 – 50 mm per 24 jam.8 memantau jumlah curah hujan dan intensitas. Secara keseluruhan produk GSMaP_MVK memberikan potensi yang menjanjikan untuk aplikasi pemantauan kondisi curah hujan sebelum kejadian banjir. dan di Indonesia yang dimaksud dengan endapan adalah curah hujan.1 Hujan Endapan didefinisikan sebagai bentuk air cair atau padat (es) yang jatuh ke permukaan bumi. b. Hujan sangat ringan dengan intensitas kurang dari 1 mm per jam atau kurang dari 5 mm per 24 jam.2. Jumlah curah hujan 1 mm menunjukkan tinggi air hujan yang menutupi permukaan bumi sebesar 1 mm. Pola curah hujan dengan interval singkat adalah yang paling sering terjadi sebelum kejadian banjir untuk seluruh lokasi yang mengindikasikan bahwa lokasi tersebut lebih rentan terhadap banjir bandang dan banjir luapan sungai. GSMaP_MVK menunjukkan estimasi lebih kecil dibandingkan dengan penakar hujan untuk sebagian besar lokasi kecuali Samarinda menunjukkan hasil estimasi lebih besar. melakukan validasi data GSMaP_NRT dan data TRMM 3B42 terhadap curah hujan aktual di tiga DAS yaitu DAS Citarum – Jawa Barat.

Setelah terjadi kondensasi. yaitu : a. Hujan Orografik Jika gerakan udara melalui pegunungan atau bukit yang tinggi. udara permukaan akan memuai dan naik ke atas. suhu awan. Data digital dari satelit cuaca dikirim ke stasiun penerima di bumi sehingga data . kecepatan angin. kemudian akan mengembun. Kenaikan udara di daerah konvergensi dapat menyebabkan pertumbuhan awan dan hujan. pada umumnya mencakup daerah yang nisbi kecil sehingga hujan deras berlangsung dalam waktu yang tidak lama. udara yang turun akan mengalami pemanasan dan bersifat kering daerah ini disebut bayangan hujan. b. maka udara akan dipaksa naik. Hujan Konvektif Akibat radiasi matahari.2. Hujan sangat lebat dengan intensitas lebih besar dari 20 mm per jam atau lebih besar daripada 100 mm per 24 jam.9 d. Hujan lebat dengan intensitas antara 10 – 20 mm per jam atau 50 -100 mm per 24 jam. Data dari satelit Geostasioner ini memiliki kelebihan yaitu dapat meng-cover daerah yang luas termasuk lautan. selain itu dapat mengamati dalam jangka waktu yang panjang secara kontinu dengan data mendekati real time . 2. sedangkan pada lereng dibawah angin. c.negara maju untuk mempelajari parameter atmosfer seperti presipitasi. kecepatan pergerakan awan. Informasi yang dapat diperoleh dari satelit cuaca antara lain data radiasi infra merah thermal awan dan reflektansi.data tersebut dapat diinterpretasikan untuk mengetahui densitas awan. Tjasyono (2004) menjelaskan ada tiga jenis hujan yang sering terjadi di Indonesia . salah satunya satelit dengan orbit Geostasioner. Hujan Konvergensi Konvergensi merupakan pertemuan massa udara pada satu titik yang menyebabkan massa udara tersebut terangkat naik ke atas. distribusi awan.2 Satelit Himawari-8 Satelit meteorologi sudah banyak yang dikembangkan oleh negara. e. tumbuh awan pada lereng di atas angin dan hujannya disebut hujan orografik. albedo awan kelembaban udara . Awan cumulunimbus yang terjadi. Gerakan vertikal udara lembab yang mengalami pendinginan dengan cepat akan menghasilkan hujan deras.

5 Km dan 1Km pada band visibel. JMA mengoperasikan satelit generasi baru yaitu Himawari-8 (pada tahun 2015) dan Himawari-9 ( tahun 2016).10 dan sebagainya. dimana pada . Perkembangan lainnya pada Himawari 8 adalah resolusi temporal. resolusi spasial atau ukuran pikselnya juga berubah yaitu pada seri satelit sebelumnya resolusi spasialnya 1Km pada band visibel dan 4Km pada band IR. Pertama. prediksi badai. 2Km pada data band IR serta dan 2Km pada band NIR. JMA (Badan Meteorologi Jepang) telah mengoperasikan GMS (Geostasioner Meteorologi Satellite) dan MTSAT (Multifungsi Transportasi Satellite) di sekitar 140º BT untuk meng-cover daerah Asia Timur dan Pasifik Barat sejak tahun 1978. Kedua. resolusi spektralnya bertambah dari yang sebelumnya pada Satelit GMS (Himawari-1 hingga 5) hanya 4 band atau pada Satelit MTSAT (Himawari 6 dan 7) hanya 5 band. Satelit Himawari-8 ini memliki kelebihan dibanding MSAT-2 . 2014) Satelit Himawari-8 merupakan MTSAT generasi baru yang diluncurkan oleh JMA pada musim panas 2014 dan mulai beroperasi pada 7 Juli 2015. meningkat menjadi 0. Untuk menggantikan MTSAT. Gambar 2. 3 band pada kanal infra merah-dekat atau near infrared (NIR) dan 10 band pada kanal termal atau Infrared (IR). 1 Urutan Waktu Mengorbitnya MTSAT dan Himawari-8 (Sumber : JMA. Data tersebut kemudian digunakan untuk prakiraan cuaca. dan juga prediksi curah hujan baik secara kuantitatif maupun kualitatif. dan sebagai kontribusi dalam salah satu program WMO yaitu World Weather Watch (WWW). Himawari-8 ini menggantikan MTSAT-2 yang telah beroperasi sejak tahun 2010. pada Himawari 8 dan 9 menjadi 16 band yang terdiri dari 3 band pada kanal visibel.

2 Perkembangan spesifikasi data Satelit Cuaca Himawari 8 dibanding seri sebelumnya (Sumber : JMA. Tabel 2. dan 10 band di kanal IR). kelebihan Satelit Himawari-8 dibandingkan MTSAT dapat dilihat pada gambar berikut.1.11 seri-seri sebelumnya adalah tiap satu jam sekali sedangkan pada Satelit Himawari8 menjadi tiap 10 menit sekali untuk pengamatan cakupan penuh (global) dan 2. Secara ringkas. 3 Resolusi Temporal Himawari-8 (Sumber: JMA. dapat dilihat pada tabel 2. Secara rinci. 1 Kanal yang dimiliki oleh Himawari-8 (Sumber : JMA. Gambar 2. 2014) Gambar 2. 2014) Band Wavelength [µm] Spatial Resolution Tujuan utama Resolution at SSP Pengukuran dan (Sub Satellite Point) penggunaan data . 3 band di kanal NIR. 2014) Satelit Himawari-8 dilengkapi dengan Advanced Himawari Imagers (AHIs) yang memiliki 16 band pada kanal IR – Visible ( 3 band di kanal Visibel.5 menit sekali untuk pengamatan khusus (lokal) seperti pemantauan badai dan wilayah Jepang.

cloud phase.64 µm 0. rainfall 12 O3 9. JMA pada Juni 2012 sudah membuat estimasi Fungsi Respon spektral (Spectral Respon Function / SRF) untuk tiap band sensor AHI pada satelit Himawari 8 dan 9 sebagaimana ditunjukkan pada Gambar 2.6 µm 2Km ≤ 0. SST 16 CO 13. vegetation.4 µm 2Km ≤ 0. clouds.10 @ 300 K Surface and cloud 14 L2 11.16 @ 300 K Surface and cloud.2 µm 2Km ≤ 0.5Km ≤ 300 @ 100 % albedo Daytime vegetation/burn scar and aerosols over water.51 µm 1Km ≤ 300 @ 100 % albedo Green band – to produce color composite imagery VS 0. rainfall 9 W2 7.9 µm 2Km ≤ 0.3 µm 2Km ≤ 0. coastal water mapping 0. winds 13 IR 10. particle size. fog at night.10 @ 300 K Imagery. winds 8 WV 6.10 @ 300 K Total water.51µm) dan merah (0. Pada .46 µm 1 Km ≤ 300 @ 100 % albedo Daytime aerosol over land. rainfall 10 W3 7. snow 7 I4 3.6 µm 2Km ≤ 0. SST.3 µm 2Km ≤ 0. fire.10 @ 300 K Mid-level atmospheric water vapor. ash.3 µm 2Km ≤ 0. khususnya pada band 2 di daerah hijau. winds 4 N1 0. snow 6 N3 2. turbulence.32 @ 240 K Lower-level water vapor. sedangkan pada band 1 masih kurang baik untuk daerah biru.0 µm 2Km ≤ 0. hijau: (0.10 @ 300 K Total water for stability. winds and SO2 11 MI 8.2 µm 2Km ≤ 0. rainfall 15 I2 12.64µm).7 – 2. Band cahaya tampak memiliki respon pada nilai tengah panjang gelombang tiap band-nya yang cukup baik. dust. yang merupakan hal baru dan belum ada pada hingga satelit Himawari versi sebelumnya.10 @ 300 K Total ozone.86 µm 1Km ≤ 300 @ 100 % albedo Daytime cirrus cloud 5 N2 1.30 @ 300 K Air temperature.3 µm 2Km ≤ 300 @ 100 % albedo Daytime land/cloud properties.9.12 0. kemudian pada band 3 di daerah merah. cloud heights and amounts 1 V1 2 V2 3 Visible Near Infrared Infrared Data satelit Himawari-8 dapat dibuat komposit citra berwarna alami dari band biru (0.40 @ 240 K High-level atmospheric water vapor. winds.46µm). winds. SO2.6 µm 2Km ≤ 300 @ 100 % albedo Daytime cloud-top phase and particle size.

13 band inframerah dekat (NIR) untuk band 4. Band inframerah termal memiliki respon bervariasi terhadap suhu. akan tetapi band ini nanti akan bisa untuk dipergunakan untuk pemantauan global vegetasi. 5 Estimasi spectral respon infra merah. uap air. 5 dan 6 sama sekali tidak memiliki respon untuk suhu kecerahan (temperature brightness / TBB). Gambar 2. klorofi l laut atau kalau pada misi satelit ini adalah untuk mendukung klasifikasi awan dalam gabungannya dengan band cahaya tampak dan inframerah dan/atau pemantauan daratan pada malam hari. dimana data dari 10 band termal ini dapat dipergunakan untuk mendeteksi suhu permukaan awan.dekat (NIR) ( sumber : JMA 2012) . daratan dan laut sehingga diharapkan dapat meningkatkan akurasi khususnya dalam klasifikasi awan untuk memetakan awan hujan. 4 Estimasi spektral respon band cahaya tampak ( sumber : JMA 2012) Gambar 2.

yang ada hanya mendekati 0 dan 1.14 Gambar 2.3 Hubungan reflektansi dan suhu kecerahan ( temperature brightness) dengan curah hujan Albedo berasal dari bahasa latin yaitu albus yang berarti putih yaitu perbandingan antara radiasi gelombang pendek yang dipantulkan dengan sinar datang dari semua spektrum panjang gelombang. Formula albedo dapat ditulis sebagai α= Rs ↑ Rs ↓ (1) keteranga : α = albedo Rs↑ = adalah radiasi gelombang pendek yang dipantulkan Rs↓ = adalah radiasi gelombang pendek yang datang Albedo menunjukkan sifat kehitaman badan objek. Namun. Semakin mendekati nilai nol maka kenampakan suatu objek semakin gelap dan semakin mendekati nilai satu maka kenampakan suatu objek semakin cerah.1.2. 6 Estimasi respon spektral band inframerah termal ( sumber : JMA 2012) 2. Albedo mempunyai kisaran nilai 0 . Gambar 2.7 menunjukan sifat gelombang pendek jika mengenai awan-awan tinggi cenderung meneruskannya . tidak ada satu pun benda di alam semesta yang memiliki albedo bernilai 0 atau 1. Bila suatu objek mempunyai nilai albedo = 0 maka objek tersebut mengabsorbsi seluruh radiasi gelombang pendek yang datang dan albedo = 1 maka objek tersebut memantulkan seluruh radiasi gelombang pendek yang datang.

Sebaliknya. awan yang tidak potensial hujan mempunyai ketebalan rendah dan mengandung lebih sedikit uap air sehingga nilai albedonya kecil. sedangkan albedo besar biasanya dijumpai pada awan cumulus. 7 Perilaku gelombang pendek jika mengenai awan tinggi (a) dan awan rendah (b) ( Sumber : earthobservatory. NASA 2010) Klasifikasi jenis awan berdasarkan pengamatan suhu kecerahan (temperature brightness / TBB) kanal IR. Berdasarkan Gambar 2. Awan-awan penghasil hujan mempunyai tingkat ketebalan awan yang tinggi karena mengandung banyak uap air sehingga nilai albedonya besar. Gambar 2. ditunjukkan Gambar 2.8. Awan dengan albedo kecil biasanya adalah awan cirrus dan stratus.8 diketahui bahwa salah satu indikasi adanya awan Cumulonimbus adalah suhu kecerahan yamg semakin rendah. Gambar 2. yang biasanya menghasilkan curah hujan tinggi yang memicu curah hujan ekstrim dan banjir. 2002) . 8 Klasifikasi awan berdasarkan suhu kecerahan (TBB) ( sumber : JMA.15 dan jika mengenai awan-awan rendah cenderung memantulkanya.

Lebih lanjut Hanna.47° C . 1994).9. Terdapat dua golongan jumlah suhu kecerahan. Besarnya TBB untuk semua intensitas hujan adalah berkisar antara -80o C sampai 10o C. 2007) 2. dkk (2007) merumuskan karakteristik suhu kecerahan (TBB) pada berbagai kejadian hujan yang ditunjukkan dalam gambar 2.16 Estimasi curah hujan dapat dilakukan berdasarkan suhu kecerahan (T BB) dimana pembentukan hujan terjadi pada awan-awan yang mempunyai suhu kecerahan rendah (Handoko. Semakin rendah suhu kecerahan (TBB) maka semakin tinggi curah hujan. dkk dalam Tahir 2009).4 Satellite Animation and Interactive Diagnosis (SATAID ) . Besarnya TBB untuk hujan intensitas ringan memiliki distribusi bimodal dengan puncak dominan sekitar -45° C dan puncak sekunder sekitar -14° C. dkk. dkk. b. Besarnya TBB untuk hujan intensitas lebat sekitar -50° C. dkk. Rata-rata suhu kecerahan (TBB) pembentuk hujan antara 195K hingga 260K (Grifith.2. 9 Histogram TBB (oC) untuk : (a) semua intensitas hujan (b) hujan ringan (c) hujan sedang (d) hujan deras (sumber: Hanna. Besarnya TBB untuk hujan intensitas sedang sekitar . c. Gambar 2.9 menunjukkan : a. Hubungan antara curah hujan dari radar dengan suhu kecerahan (T BB) pada TOA (top of the atmosphere) dari kanal inframerah satelit GOES-8 diplotkan dalam persamaan eksponensial (Vicente. 1998). d. Distribusi suhu kecerahan tidak seragam ketika terjadi perbedaan intensitas hujan. pertama adalah -80o C sampai -30o C dan kedua adalah -30o C sampai 10o C. Gambar 2.

Aplikasi ini juga dapat menampilkan grafik baik penampang melintang. pengguna dapat menampilkan dan melakukan overlay antara citra satelit dan data NWP. Sistem inilah yang kemudian disebut “SATAID” (Satellite Animation and Interactive Diagnosis). 2. terdapat satu program dari SATAID yaitu program GMSLPD yang didesain dengan fungsi-fungsi yang berguna untuk keperluan analisis.kishou. adalah pentinguntuk menganalisa citra dan mengambil informasi darinya. maupun grafik berdasar waktu (time series). . didapatkan juga dari JMA dalam satu paket dengan data citra satelit. kapal.2. peran satelit meteorologi dalam memprakirakan cuaca tidak diragukan lagi. Saat ini. SATAID digunakan untuk menampilkan citra satelit dan meng-overlay data prediksi cuaca numerik NWP (Numerical Weather Prediction). Meteorological Satellite Center JMA telah mengembangkan suatu sistem Computer Aided Learning (MSC-CAL) untuk menampilkan citra satelit sebagai sarana pembelajaran dan pelatihan dalam rangka meningkatkan kemampuan analisa citra. perkembangan komputer dapat mempermudah tampilan citra satelit ke layar komputer. dengan syarat data-data tersebut telah memiliki format yang sama sebagaimana yang diminta oleh aplikasi SATAID.5 Global Satellite Mapping of Precipitation (GSMaP) Data curah hujan sangat penting dalam manajemen hal-hal yang berkaitan dengan hidrologi. Pengukuran curah hujan berbasis satelit yang mampu menyediakan data secara teratur dan luas merupakan cara yang efektif dalam mengumpulkan data secara global. pencatat profil angin. seperti siklon tropis dan hujan lebat. Data NWP terpisah dari data citra satelit. untuk lebih mengefektifkan penggunaan satelit meteorologi. Selain program dasar.17 Dalam usaha pencegahan bencana alam yang berkaitan dengan meteorologi.jp/ VRL/. radar. suhu. Namun.go. sedangkan analisisyang berkualitas membutuhkan penguasaan interpretasi citra secara baik. Aplikasi SATAID diperoleh di website JMA: http://mscweb. dan sebagainya. Dimungkinkan juga overlay berbagai macam data yang didapatkan antara lain dari data pengamatan sinoptik. Dengan menggunakan SATAID. Saat ini tidak ada cara lain selain menganalisa citra satelit secara subyektif melalui mata penglihatan manusia.

ht m Kubota (2007) telah melakukan validasi dan kalibrasi data GSMaP dengan data penakar hujan maupun data radar di Jepang dengan hasil validasi yang cenderung cukup baik. Analisis regresi linier berganda menghasilkan persamaan linier yang dapat digunakan untuk menduga atau memprediksi nilai satu variabel respon berdasarkan beberapa variabel penjelas .jaxa. Syaifulah (2014) telah melakukan validasi data GSMaP ini di tiga DAS di Indonesia dan memperoleh hasil yang lebih baik dimana hasil analisis terhadap data pengukuran menunjukkan pola yang sesuai dengan nilai pengamatan (aktual) dibanding data TRMM 3B42RT.eorc.eorc. JAXA telah megembangkan sistem pengolahan data near rea -time dan menyebarkan lewat situs internet. sedangkan resolusi spasialnya adalah satu jam.18 Sebagai prototype Global Precipitaion Masurement (GPM). asuransi pertanian ( di Myanmar) dan lain sebagainya.1 o.jaxa. Algoritmanya dikembangkan berdasarkan proyek Global Satellite Mapping of Precipitation (GSMaP) sehingga dikenal dengan GSMap near real time (GSMaP_NRT). Resolusi horizontal GSMaP_NRT adalah 0. manajemen tanah longsor. pertanian. manajemen banjir. Data GSMaP ini telah digunakan untuk berbagai keperluan di bidang meteorologi. Temporal Alamat unduh GSMap _NRT JAXA 0.1o Lat/Lon 1 jam http://sharaku. Proyek ini telah diterapkan sejak tahun 2008.jp/GSMaP/index. 2 Karakteristik data GSMap_NRT Sumber : EORC. JAXA menyediakan data GSMaP dengan mengkombinasikai data dari berbagai satelit.jp dengan terlebih dulu melakukan registrasi. Dataset yang disediakan secara near real time ( sekitar empat sampai lima jam setelah observasi) secara file transfer protocol (ftp) dengan alamat situs ftp://hokushai.Spasial Res. manajemen kekeringan ( di Thailand pada kasus kekeringan tahun 2015). 2.JAXA (2015) Parameter Produk Res.6Regresi linier Analisis regresi adalah sebuah teknik statistika untuk membuat model dan menyelidiki hubungan ketergantungan antara satu variabel respon (dependen) dengan satu atau lebih variabel independen. manajemen sumber daya air. Tabel 2.2.

Metode ini untuk membuat model sederhana estimasi curah hujan . b2. dalam kaitannya dengan suhu puncak (TBB). = Koefisien regresi e = Faktor galat ( error term ) (2) . Model regresi linier berganda (Usman dan Akbar. dan reflektansi. 2000) dituliskan sebagai berikut : Y = bo + b1 X1 + b2X2 + e Keterangan : Y = predictant/dependent (curah hujan) X1 = prediktor 1/ independent X2 = prediktor 2 /independent bo = Konstanta b1.19 (independen).

dan hampir sepanjang tahun masuk dalam kriteria musim hujan. merupakan wilayah Non Zona Musim ( Non ZOM) yaitu 20 .96 km 2 atau setara dengan 1.1 Jenis Penelitian Pada penelitian ini. Sumatera Barat. Menurut PP No.rata bulanan di seluruh wilayah Indonesia oleh BMKG (2010) wilayah kota Padang. Provinsi Sumatera Barat (0°57′0″LS100°21′11″BT).102º 10' BT dan 3º 50' LS . penulis menggunakan jenis penelitian berupa studi kasus tentang kejadian hujan lebat yang terjadi di wilayah Kota Padang.Selatan. luas Kota Padang adalah 694. 3. Waktu penelitian ini hari terjadi cuaca ekstrem berupa hujan lebat yang mengakibatkan banjir dan tanah longsor yaitu tanggal 2 Agustus 2015 dan 11 November 2015 dimana curah hujan mencapai kriteria cuaca ekstrim.65 % dari luas Propinsi Sumatera Barat. Secara Geografis.1º 20' LU . Tercatat curah hujan pada kejadian tersebut >100 mm/hari.BAB 3 METODE PENELITIAN 3. yang wilayahnya memiliki distribusi hujan bulanan bimodial dengan dua puncak musim hujan maksimum (Maret dan November). Pemilihan jenis penelitian berupa studi kasus ini dilakukan sebagai langkah awal untuk memahami kemampuan satelit Himawari dalam mengkaji cuaca ekstrim salah satunya hujan lebat melalui analisis tiap band dalam kanal satelit Himawari-8 kemudian membandingkan dengan data pengukuran curah hujan berbasis satelit yaitu GSMaP dan data curah hujan observasi untuk mengetahui persamaan empiris serta validasinya. Berdasarkan pengelompokan pola distribusi curah hujan rata. sebelah Barat Kota Padang berbatasan langsung dengan samudera Hindia. dan Bukit Barisan membentang Timur . 17 Tahun 1980.2 Prosedur Penelitian 1 Lokasi dan Waktu Penelitian Lokasi penelitian fenomena hujan lebat ini meliputi wilayah Provinsi Sumatera Barat 98º 10' BT . khususnya Kota Padang. Pola curah hujan di Sumatera Barat adalah tipe equatorial.

yang akan digunakan untuk menganalisis citra satelit Himawari-8 .yang terdiri dari 16 band. 1 Peta Administratif Kota Padang (sumber : Pengolahan Peta di Quantum GIS) 2 Data Beberapa data yang digunakan dalam penelitian ini adalah : a Data citra satelit Himawari-8.21 wilayah yang tidak mempunyai batas yang jelas secara klimatologis antara periode musim hujan dan musim kemarau. QGIS dapat di di unduh secara gratis di http://www. Data curah hujan GSMAP/jam. tanggal 11 November 2015 2014 . yang diperoleh dari Sub b Bidang Citra Satelit BMKG. Data curah hujan harian dari pos-pos hujan dalam Kota Padang ( 7 pos c d hujan) pada saat kejadian bencana banjir &tanah longsor. Data curah hujan AWS di sekitar kota Padang.org/en/site/forusers/download.html . Pada penelitian juga digunakan perangkat lunak Quantum GIS (QGIS) yang merupakan perangkat Sistem Informasi Geografis (SIG) yang berbasis open source dengan lisensi di bawah General Public License. 16 band di kanal IR .qgis. kanal IR dan VIS .per 10 menit. Gambar 3. pengolahan data dilakukan menggunakan perangkat lunak SATAID yang dibuat oleh Meteorological Satellite Center JMA dengan program yang digunakan adalah GMSLPD. NIR dan Visible. 3 Alat Penelitian Dalam penelitian ini. QGIS .

org/grads. Pengolahan data GSMaP_NRT Pada penelitian ini.go. memanipulasi.22 digunakan untuk mengolah data observasi curah hujan dari stasiun-stasiun pengamatan dan jaringan pos hujan dalam kota menjadi peta distribusi curah hujan harian. Untuk mengolah data tersebut digunakan aplikasi GrADS (Grid Analysis and Display System). data dari portal media online juga digunakan sebagai data pelengkap.0 xdef 3600 LINEAR 0. Untuk memproses file tersebut dengan GrADS diperlukan file kontrol yang berbeda disesuaikan dengan format filenya. Dokumentasi tentang tools ini ada di Grads documentation di situs http://iges. Untuk mengolah data GSMaP.05 0.%h200. Perangkat lunak Ms. Pengolahan Data Observasi Data observasi digunakan untuk memilih waktu kejadian hujan lebat di Kota Padang. memanipulasi. dan visualisasi data ilmu kebumian (earth science). dan menyajikannya dalam bentuk grafik. sebuah tools interaktif yang sangat mudah untuk mengakses.1 .bnpb. b.%y4%m2%d2. data GSMaP_NRT diperoleh di alamat situs ftp://hokushai. sebuah tools interaktif yang sangat mudah untuk mengakses. Kejadian hujan dipilih dengan melihat data akumulasi curah hujan harian dari delapan pos hujan dalam kota > 50 mm/hari serta tercatat sebagai bencana dalam database BNPB (http://dibi. Data curah hujan ini kemudian diolah menggunakan pernagkat lunak QGIS sehingga diperoleh sebaran spasial curah hujan.org/grads.jaxa. Dan perangkat lunak Minitab 14 digunakan untuk analisis statistik. Excel digunakan untuk mengolah data time series TBB dari kanal IR maupun reflektansi dari kanal VIS. Selain itu. Dokumentasi tentang tools ini ada di Grads documentation di situs http://iges.id/data-bencana/).jp.dat title GSMaP_NRT 0.eorc. digunakan aplikasi GrADS (Grid Analysis and Display System). dan visualisasi data ilmu kebumian. Berikut adalah contoh file kontrol GSMap_NRT : dsetd:/data/global/TRMM/Jaxa/%y4/%m2/%d2 /gsmap_nrt.1deg Hourly option Yrev Little_endian Template undef -999. 4 Teknik Pengolahan Data Data diolah dengan langkah-langkah sebagai berikut: a.

Kanal infra red (IR-1) memiliki panjang gelombang 10.23 ydef 1200 LINEAR -59.3 . b Analisis Citra Satelit Himawari-8 Analisis data citra satelit dilakukan pada semua band di kanal VIS. dan IR. Pengolahan Data Citra satelit Himawari-8 pada penelitian ini data citra satelit Himawari tanggal 2 Agustus dan 11 November 2015 untuk regiona Sumatera sebanyak 16 bands diolah menggunakan perangkat lunak SATAID . Pelaporan. 2km pada kanal IR 2 km pada kanal NIR Analisis Data Data dianalisis melalui langkah-langkah sebagai berikut: a Analisis data curah hujan Untuk mengetahui kejadian hujan lebat. 1 Spesifikasi data penelitian produk resolusi temporal 1 jam 10 menit 24 jam GSMaP AWS penakar hujan obs Citra 10 menit Himawari8 5 resolusi spasial Tanggal 0.009 tahun 2010 tentang Prosedur Standar Operasional Peringatan Dini. maka dilakukan analisis data curah hujan pada jaringan pos hujan Sumatera Barat dan dicocokkan dengan kriteria dalam Peraturan Kepala BMKG nomor : KEP. Tabel 3. NIR.1 zdef 1 LEVELS 1013 tdef 8000 LINEAR 00Z1jan2009 1hr vars 1 precip 0 99 hourly averaged rain rate [mm/hr] endvars c.95 0.1o single point single point 2 Agustus & 11 Nov 2015 2 Agustus & 11 Nov 2015 2 Agustus & 11 Nov 2015 - 0.5km dan 2km 2 Agustus & 11 Nov 2015 pada kanal visibel.3 – 11. dan Diseminasi Informasi Cuaca Ekstrim: “Hujan Lebat adalah hujan dengan intensitas paling rendah 50 mm/24 jam dan/atau 20 mm/jam”. Kemudian dipilih waktu dimana jumlah curah hujan lebat terjadi setelah satelit Himawari-8 beroperasi serta kejadian hujan lebat tersebut tercatat sebagai bencana dalam database BNPB.

Semakin tinggi suhu kecerahan maka semakin tinggi curah hujan. Kelebihan kanal IR ini adalah dapat digunakan baik pada waktu siang maupun malam hari. Time series dilakukan dengan cara membandingkan grafik time series T BB pada masing-masing band di kanal IR atau reflektansi pada kanal Visible dengan curah hujan AWS yang memiliki resolusi temporal yang sama.kristal es. Penggunaan kanal visibel untuk mendeteksi keberadaan awan Cumulunimbus pada siang hari. . Wirjohamidjojo (2010) menyebutkan bahwa awan – awan tipis mempunyai nilai albedo sekitar 30 %. Suhu yang dingin tidak selalu menunjukkan puncak awan konvektif tetapi juga dapat ditunjukkan oleh awan – awan tinggi seperti Cirrus yang terdiri dari kristal. semakin putih awannya. dapat berakibat kekeliruan dalam penentuan puncak awan. Karena berdasarkan pada radiasi suhu yang dipancarkan dari bumi. maka mengindikasikan semakin padat awan yang ada dan dapat diidentifikasi sebagai Cumulunimbus. pergerakan awan.24 μm yang diaplikasikan untuk awan. Altocumulus. dan badai. Ci seringkali terdiri dari lapisan tipis awan sehingga cenderung diinterpretasikan sebagai Cm jika menggunakan citra IR saja. Kanal visibel yang menggunakan cahaya matahari sebagai pulsa menjadikan albedo sebagai metode untuk mengetahui jenis awan. Sebagai contoh. Awan – awan tebal seperti Cirrostratus. pergerakan angin. Albedo adalah perbandingan antara jumlah sinar yang dipantulkan dengan yang diterima oleh permukaan. Analisis tiap kanal dilakukan dengan cara meregister citra satelit himawari-8 untuk region sumatera ke dalam perangkat lunak SATAID GMSLPD. Benda yang warnanya semakin putih dan padat akan semakin banyak memantulkan sinar tampak. Spasial dilakukan dengan membandingkan kontur TBB mau pun reflektansi citra pada masing-masing band pada kanal IR dan Visible 2. Vincente (2001) dalam penelitiannya mengungkapkan hubungan antara suhu kecerahan dari kanal IR dengan intensitas curah hujan. dengan curah hujan pada GSMaP. Cumulus dan Stratocumulus memiliki nilai albedo 50 sampai 70 % dan awan Cumulonimbus memiliki albedo >70%. Dengan demikian. menetukan lokasi titik pengamatan dan mengidentifikasi tiap kanal secara : 1.

d) besarnya suhu kecerahan untuk hujan intensitas lebat sekitar c -50° C Analisis Statistik Analisis regresi adalah sebuah teknik statistika untuk membuat model dan menyelidiki hubungan ketergantungan antara satu variabel respon dengan satu atau lebih variabel penjelas .4 Verifikasi dan Validiasi Root Mean Square Error (RMSE) Metode ini digunakan untuk mengetahui besarnya penyimpangan yang terjadi antara curah hujan estimasi dibandingkan dengan curah hujan observasi. Analisis regresi linier berganda menghasilkan persamaan linier yang dapat digunakan untuk menduga atau memprediksi nilai satu variabel repon berdasarkan beberapa variabel penjelas. c) besarnya suhu kecerahan untuk hujan intensitas sedang sekitar -47° C . 1 3. 2001). Terdapat dua golongan jumlah suhu kecerahan. maka semakin jauh nilai data estimasi terhadap aktualnya dan semakin kecil nilai RMSE maka semakin baik estimasinya. Karena tingkat kesalahan yang dapat diminimalisir dapat meningkatkan tingkat akurasi prakiraan . Metode ini untuk membuat model sederhana estimasi curah hujan .dkk .25 Hubungan antara curah hujan dari radar dengan suhu kecerahan pada TOA (top of the atmosphere) dari kanal inframerah satelit GOES-8 diplotkan dalam persamaan eksponensial (Vicente. Perlu diketahui bahwa untuk validasi hasil prakiraan semakin besar nilai RMSE. b) besarnya suhu kecerahan untuk hujan intensitas ringan memiliki distribusi bimodial dengan puncak dominan sekitar -45 ° C dan puncak sekunder sekitar -14° C. . Distribusi suhu kecerahan awan tidak seragam ketika terjadi perbedaan intensitas hujan menunjukkan : a) Besarnya suhu kecerahan untuk semua intensitas hujan adalah berkisar antara -80o C sampai 10o C. dalam kaitannya dengan kanal-kanal pada citra Himawari-8. pertama adalah -80 o C sampai -30o C dan kedua adalah -30o C sampai 10o C.

i ( mm) 2 Koefisien Korelasi Nilai koefisien korelasi Pearson (Trihendradi. Koefisien korelasi dapat diperoleh dengan formula sebagai berikut: xi ∑ ¿(∑ y i ) ¿ ¿ ¿ xi ∑¿ ¿ ∑ yi ¿ ¿ ¿ n ∑ y 2i −(¿ 2¿) ¿ x 2i −¿ n∑ ¿ xi y i−¿ n∑ ¿ r =¿ Keterangan : r=¿ koofisien korelasi x i=¿ data curah hujan hasil estimasi ke-i (mm) y i=¿ data curah hujan aktual hasil observasi ke-i (mm) (4) .26 RMSE= √ n ∑ 1 ( R Ci−ROi ) 1 (3) N Keterangan : N = banyaknya data RCi = curah hujan hasil estimasi ke-i (mm) ROi = curah hujan observasi ke. Kuat tidaknya hubungan antara curah hujan estimasi dengan curah hujan observasinya dapat diukur dengan suatu nilai yang disebut dengan koefisien korelasi. 2005) digunakan untuk menentukan besarnya hubungan atau kedekatan antara curah hujan estimasi dan curah hujan observasi.

5 Diagram Alir Penelitian Alir pada penelitian ini di mulai dengan pemilihan masalah yang akan dikaji yaitu hujan lebat di Padang. Gambar 3.27 Untuk Validasi hasil prakiraan dengan menggunakan koefisien korelasi.6 Rencana Kegiatan Penelitian . data satelit Himawari-8. Secara umum alir penelitian digambarkan sebagai berikut. Selanjutnya dilakukan pengolahan dan analisis dari berbagai data penelitian yang telah disebutkan dan menarik kesimpulan dari penelitian ini. data GSMaP. 3. semakin kuat korelasi maka semakin baik hasil validasi berarti semakin tinggi tingkat akurasi prakiraan. Kemudian mengumpulkan semua data penelitian meliputi data observasi curah hujan. 1 Diagram alir penelitian 3.

3 Rencana Kegiatan Penelitian Tahap 2 2016 No Kegiatan Penelitian 1. Tahap pertama yaitu pembuatan Proposal Skripsi dalam 4 (empat bulan) pada Semester 7 (tujuh) dan tahap kedua yaitu pembuatan Skripsi dalam 5 (lima) bulan pada Semester 8 (delapan). 3. 2. 2 Rencana Kegiatan Penelitian Tahap 1 2015 No Kegiatan Penelitian 1. 2. Des 1 2 2016 3 4 Jan 1 2 3 4 Feb 1 2 3 4 Maret 1 3 4 Penentuan tema Penentuan judul Pengumpula Studi Pustaka Pengumpulan contoh data Penyusunan proposal Presentasi proposal skripsi Tahap 2 : Tabel 3. 4. 3. 2. 2. 5. Tahap 1 : Tabel 3. Pengumpulan data Pengolahan data Analisis hasil Penyusunan skripsi Sidang skripsi April Mei Juni Juli Agustus 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 .28 Kegiatan penelitian akan dilaksanakan dalam 9 (sembilan) bulan dan dibagi ke dalam 2 (dua) tahap. 4.

gov/Features/Clouds/). Antonio RI. Sagita . Klimatologi Dasar.jp. (http://earthobservatory. Sasmito.wis-jma. Trihendradi. National Aeronautics and Space Administration. Characteristic of Rainfall Pattern Before Flood Occur in Indonesia Based on Rainfall Data From GSMaP .colostate. diakses 29 Januari 2016) Meteorological Satellite Center. Data dan Informasi Bencana Indonesia. Jurnal Fisika dan Aplikasinya Volume 9. IPB 29 . no. Sigit Deni." Meteorological Satellite Center. 2010. Badan Nasional Penanggulangan Bencana (http://dibi. Nomor 2. Skripsi. Yogyakarta.Novvria. (http://www. Analysis and Use of Satellite Imager: 1st Edition. Journal Of Applied Meteorology and Climatology 47: 351–359.bnpb. Penerbit Andi. SATAID dan PANOPLY saat Kejadian Curah Hujan Ekstrim di Wilayah Manado. Pendugaan Curah Hujan dengan Data Satelit Geostasioner (MTSAT IR) dan Gelombang Mikro Imager (TRMM) : Studi Kasus DAS Citarum.go. diakses 31 januari 2016 Peraturan KBMKG 2010. Hanna JW. Cornelius. David MS. Handoko. Cloud and Particles. 2008. Departemen Geofosika dan Meteorologi. Pustaka Jaya : Bogor.go. Japan Meteorological Agency. 2013 .jma.edu. 009 tentang Prosedur Standar Operasional Pelaksanaan Peringatan Dini. vol. (http://rammb.jp. 2012 . Japan Meteorological Agency. 2011. Langkah Mudah Menguasai Analisis Statistik Menggunakan SPSS 15. 16 Februari 2013. Fakultas Matematika dan Ilmu Pengetahuan Alam. 1994. diakses 2 desember 2015). diakses 10 Desember 2015). Sataid Operation Manual. Pelaporan dan Desiminasi Cuaca Ekstrim.2. 2002. diakses 20 Desember 2015)) and file sizes. 2005.7. Cloud-Top Temperature for Precipitating Winter Cloud.cira. Ecotrophic: journal of environmental research.DAFTAR PUSTAKA Aryastana P.id/. tahun 2012.go. Keputusan No. Himawari-8/9 and MTSAT-1R/2 imagery channels (http://www. 2008.nasa. Analisis Citra Satelit MTSAT dan TRMM menggunakan Software ER MAPPER. Juni 2013. dkk.

& Akbar.Sc. Validasi Data TRMM Terhadap Data Curah Hujan Aktual di Tiga DAS di Indonesia. 2004.15 No. 2014. K.Shimizu. and Suzana Ramli.. Jurnal Penginderaan Jauh Vol. Gajah Mada University and ITC. Klimatologi. Syahputra. ACRS 2013.16.2009 : 32-42. Institut Teknologi Bandung : Bandung. H. 30 . Workshop on Weather Saatellite and Radar Data Interpretation and Analysis. Fakultas Ilmu dan Teknologi Kebumian ITB. Penentuan Hubungan antara suhu kecerahan Data MTSAT dengan curah hujan QMORPH. Pengantar Statistik. Jurnal Meteorologi Dan Geofisika. S. Suwarsono. Indonesia [tesis].2. Parwati. Geostationary Satellite Based Rainfall Estimation for Hazard Studies and Validation: A case study of Java Island. Workshop BMKG 11 – 15 Juni 2012.6. Programme. 2009. 2009. Skripsi. Tahun 2014: 109-118 Suseno Dwi Prabowo Yugo. Verification Of Hourly GSMaP Rainfall Estimates During The Flood Events in Kumamoto Perfecture. 2012. Malaysian Journal of Civil Engineering 21(1) : 1. dkk (2013). Tjasyono. Usman. (2000). B. 2009. Syaifullah. 2008. Cloud Type Indentification by Meteorological Satellites. Kajian Korelasi Rain-Rates Dan Temperatur Puncak Awan Dalam Estimasi Curah Hujan Dengan Menggunakan Data Satelit Geostasioner Dan TRMM (Tropical Rainfall Measuring Mission). Japan Meteorological Agency. Wirohamidjojo. R.Yogyakarta: Double Degree M. S. M. dkk. Menaksir Sifat Fisis dan Dinamik Awan Dari Citra Satelit.S. H. Marwati . Proceeding of 34th Asian Conference on Remote Sensing 2013. 2007. Geostationary Meteorological Satellite-Based Quantitative Rainfall Estimation (GMSRain) For Flood Forecasting. Jakarta: Penerbit Bumi Aksara. M. Japan.P. Vol. Wardah Tahir. Zaidah Ibrahim.R.

Algorithm Theoretical Basis Document (ATBD)Ver 6. IPB. Kida. 2007. 2010. Strangeway. Cambridge University Press. Liu. 2006. Hong Y. G. Fakultas Matematika dan Ilmu Pengetahuan Alam. 31 .2 nd Workshop of The International Precipitation Working Group. Kozu. M. Measurement and Distribution. Aonashi. Awaka. Skripsi. Meteor. T. microwave precipitation retrieval algorithm: Algorithm description and validation. Shige. 2004. Arfianto. and Y. Precipitation: Theory. (1995). Ian. J. GPM Global Rainfall Map Algorithm Development Team . Cloud Patch-Based Rainfall Estimation Using A Satellite Image Classification Aproach. Takahashi. 119-136. Takayabu. Soc. S. S. K.Sudjana. Metoda Statistika. Kuo-lin H. 87A. T. Japan. Hirose. 2009: GSMaP passive. Kubota. Aplikasi Model Regresi Logistik Untuk Prakiraan Kejadian Hujan. Bandung: Penerbit Tarsito. Seto. J. N. N. Soroosh S. JAXA (Japan Aerospace and Exploration Agency). S. Anggi Dwi.