EVALUASI CURAH HUJAN GSMAP DAN TRMM TMPA

DENGAN CURAH HUJAN PERMUKAAN WILAYAH
JAKARTA – BOGOR

YOHANES ARIYANTO WIBOWO

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2010

 
 
  
 

ABSTRACT

YOHANES ARIYANTO WIBOWO. Evaluation of GSMaP and TRMM TMPA Rainfall with
Surface Rainfall on Jakarta – Bogor. Under direction of HIDAYAT PAWITAN and SRIDADI
BUDIHARDJO.

Global Satellite Mapping of Precipitation (GSMaP) and Tropical Rainfall Measuring Mission
Multi-Satellite Precipitation Analysis (TRMM TMPA) are global measured precipitation projects
using satellite combination (blended) technique of infrared sensor and microwave sensor. This
research having purpose to evaluate GSMaP and TRMM data with Surface rainfall data in various
topographies (beach, level-land, mountainous region, and The whole area) and temporal variation
(daily, 10days, and monthly) in Jakarta-Bogor area. The evaluation is done using visual and
statistical comparison method (correlation coefficient, MAE, RMSE, and Mann-Whitney Test).
The evaluation result of daily and 10days of GSMaP in all area studies showing a pattern didn’t
follow the Surface rainfall (r<0.20), while TRMM daily rainfall data in beach area and The whole
having r>0.60 and the Mann-Whitney test shows TRMM doesn’t have significant difference with
surface rainfall data. 10days TRMM rainfall in all region, except mountainous region, shows
TRMM rainfall can follow surface rainfall pattern (r>0.77). Monthly GSMaP data comparison to
surface rainfall showing correlation more than 0.60 on beach and land area can be applied, by
using correction equation, because GSMaP rainfall data always lower than surface data. The
monthly TRMM rainfall data can be applied in all studies area because the pattern is suitable to
surface rainfall data (maximum correlation is 0.98). Error identification shows that there is warm
rain and high variation on land surface emission especially in mountainous area causing either
GSMaP and TRMM cannot follow the surface rainfall data. GSMaP correction equation in beach
region, shows the parameter that affect error are surface temperature and specific humidity in
850mb, while at region II, III, and The Whole there is no local parameter which has influence.
TRMM correction equation in region III(mountainous area), shows local parameter which has an
influence to accurate of this TRMM is surface pressure, wind 850mb, interaction of meridional
wind and surface slope, air temperature 850mb, soil humidity in 10-200cm, and skin temperature.

Keywords : Evaluation, Rainfall, GSMaP, TRMM TMPA, Surface Rainfall, Jakarta-Bogor

 
 
  
 

RINGKASAN
YOHANES ARIYANTO WIBOWO. Evaluasi Curah Hujan GSMaP dan TRMM TMPA dengan
Curah Hujan Permukaan Wilayah Jakarta – Bogor. Dibimbing oleh HIDAYAT PAWITAN dan
SRIDADI BUDIHARDJO.

Curah hujan adalah unsur utama yang diukur dalam meteorologi karena curah hujan
berpengaruh pada berbagai sektor seperti pertanian, pariwisata dan kesehatan. Pengukuran curah
hujan pada tiap stasiun pengamatan menghasilkan data curah hujan titik, yang dianggap mewakili
curah hujan untuk radius tertentu. Besarnya radius ini bergantung dari topografi wilayah dan tipe
hujan pada wilayah tersebut, tetapi karena berbagai permasalahan seperti biaya pendirian dan
operasional stasiun cuaca, topografi/keadaan alam yang sulit, mengakibatkan adanya keterbatasan
jumlah stasiun pengamatan hujan. Beberapa dekade terakhir untuk mengatasi permasalahan
tersebut, dikembangkan pengukuran/pendugaan curah hujan mengunakan satelit luar angkasa.
Global Satellite Mapping of Precipitation (GSMaP) dan Tropical Rainfall Measuring Mission
Multi-Satellite Precipitation Analysis (TRMM TMPA) adalah proyek pendugaan curah hujan
secara global menggunakan satelit luar angkasa dengan memakai metode kombinasi (blended
method) sensor-sensor hujan jenis inframerah (IR) dan gelombang mikro (MWR). Penggunaan
data curah hujan GSMaP dan TRMM TMPA untuk wilayah Indonesia merupakan suatu hal yang
sangat menguntungkan, melihat wilayah Indonesia yang sangat luas dan bervariasinya pola curah
hujan di berbagai wilayah Indonesia. Penelitian ini bertujuan untuk melakukan evaluasi curah
hujan GSMaP dan TRMM TMPA pada berbagai topografi (pantai, dataran, pegunungan dan
keseluruhan) dan variasi temporal (harian, 10harian, dan bulanan). Selain itu juga dilakukan
identifikasi-identifikasi faktor-faktor penyebab kesalahan (galat) antara curah hujan satelit dengan
curah hujan permukaan untuk mendapatkan persamaan koreksi.
Evaluasi curah hujan GSMaP dan TRMM TMPA dengan curah hujan permukaan pada daerah
Jakarta – Bogor dengan menggunakan metode perbandingan visual dan perbandingan statistika.
Perbandingan secara visual menggunakan grafik batang dan grafik scatter, sedangkan
perbandingan statistika menggunakan nilai korelasi untuk membandingkan sebaran data,
parameter Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE), dan uji Mann-
Whitney untuk membandingkan rataan data. Terdapat 23 titik pengamatan hujan pada wilayah
Jakarta - Bogor, sebagian besar (50%) tersebar di wilayah III, sedangkan sisanya tersebar di
wilayah II sebesar 35% dan wilayah I sebesar 15%. Perubahan curah hujan titik menjadi curah
hujan wilayah menggunakan metode Poligon Thiessen, lalu nilai curah hujan wilayah ini
selanjutnya disebut dengan curah hujan permukaan. Data GSMaP yang digunakan adalah data
GSMaP_NRT Daily yang berisi data curah hujan harian yang kemudian disebut dengan data curah
hujan GSMaP. Data TRMM TMPA yang digunakan adalah 3B42RT untuk data harian dan
3B43.V6 untuk data bulanan, selanjutnya disebut data curah hujan TRMM.
Hasil evaluasi untuk curah hujan harian GSMaP pada semua wilayah kajian dengan curah
hujan permukaan menunjukkan pola tidak serupa, ditunjukkan dengan korelasi kurang dari 0.02,
dan diperkuat oleh uji Mann-Whitney yang menyatakan CH GSMaP harian berbeda nyata dengan
data curah hujan harian permukaan. Curah hujan TRMM harian untuk wilayah I dan keseluruhan
mempunyai korelasi lebih dari 0.60, dengan curah hujan permukaan sehingga data dapat
dipergunakan untuk wilayah ini, diperkuat dengan uji Mann Whitney yang menunjukkan data
tidak berbeda nyata.
Perbandingan data 10 harian, Uji Mann-Whitney antara curah GSMaP dengan curah hujan
permukaan pada wilayah pantai dan dataran tidak berbeda nyata tetapi pola sebaran data GSMaP
tidak sama dengan curah hujan permukaan ditunjukkan dengan korelasi kurang dari 0.02. Curah
hujan TRMM 10-harian kecuali pada wilayah pegunungan pola curah hujan sudah dapat mengikuti
pola curah hujan permukaan, dan uji Mann Whitney menunjukkan rataan TRMM 10 harian pada
keseluruhan wilayah kajian tidak berbeda nyata.
Perbandingan data bulanan GSMaP dengan curah hujan permukaan menunjukkan nilai korelasi
lebih dari 60% pada wilayah pantai dan dataran dan dapat diterapkan, dengan menggunakan
persamaan koreksi, karena besar curah hujan GSMaP selalu lebih rendah dari curah hujan
Permukaan. Data curah hujan TRMM bulanan dapat diterapkan pada semua wilayah kajian dengan
pola sebaran korelasi minimum sebesar 0.60 (pada wilayah pegunungan).

 
 
  
 

Hasil Identifikasi menunjukkan penyebab perbedaan selisih curah hujan Permukaan dengan
curah hujan satelit adalah variabilitas nilai emisi permukaan dan fenomena hujan hangat.
Parameter-parameter koreksi diambil dari data milik NOAA yaitu NOAA NCEP/NCAR
Reanalysis 1 Terdapat tiga persamaan koreksi yang terbentuk dibedakan berdasarkan perlakuan
pada parameter-parameter NOAA. Perbedaan perlakuan yang dilakukan yaitu 1) Tanpa perubahan
parameter, 2)  modifikasi parameter berupa interaksi antara angin dan kemiringan lereng topografi
3) modifikasi pada parameter curah hujan satelit.
Identifikasi galat menunjukkan adanya fenomena hujan hangat dan variasi emisi permukaan
yang tinggi khususnya pada wilayah III yang menyebabkan pada wilayah ini besaran curah hujan
baik GSMaP maupun TRMM tidak mampu mengikuti curah hujan permukaan. Persamaan koreksi
pada GSMaP menunjukkan pada wilayah I parameter yang berpengaruh adalah suhu permukaan
dan kelembaban spesifik 850mb dengan nilai R2 persamaan koreksi yang sangat baik (99%),
sedangkan di wilayah II, III, dan keseluruhan tidak ada parameter lokal yang berpengaruh.
Persamaan koreksi TRMM wilayah III didapat persamaan terbaik adalah persamaan ketiga yaitu
dengan perlakuan modifikasi pada parameter curah hujan TRMM dengan nilai R2 mencapai
49.8%, akan tetapi karena persamaan ini memakai asumsi, sehingga perlu dilakukan penelitian
lebih jauh tentang kebenaran dari asumsi ini. Persamaan kedua yang menggunakan perkalian
vektor dalam menentukan interaksi antara angin dengan kemiringan lereng, merupakan persamaan
korelasi terbaik jika dilihat secara teoritis, akan tetapi persamaan koreksi ini mempunyai
kelemahan pada saat curah hujan tinggi tidak mampu memberikan hasil yang sesuai. Parameter-
parameter koreksi yang berpengaruh terhadap keakuratan TRMM ini adalah Tekanan Udara
Permukaan, Angin 850mb, Interaksi antara Angin permukaan dan Kemiringan lereng, Suhu udara
850mb, Kelembaban tanah kedalaman 10-200cm, dan suhu kulit permukaan (SKT)

Kata Kunci : Evaluasi, Curah Hujan, GSMaP, TRMM TMPA, Curah hujan Permukaan,
Jakarta-Bogor

 
 
  
 

EVALUASI CURAH HUJAN GSMAP DAN TRMM TMPA

DENGAN CURAH HUJAN PERMUKAAN WILAYAH
JAKARTA – BOGOR

YOHANES ARIYANTO WIBOWO

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains pada
Departemen Geofisika dan Meteorologi

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2010

 
 
  
 

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya
sehingga penulis dapat menyelesaikan tugas akhir yang berjudul “Evaluasi Curah Hujan GSMaP
dan TRMM TMPA dengan Curah Hujan Permukaan Wilayah Jakarta – Bogor”. Skripsi ini
merupakan salah satu syarat kelulusan di program studi mayor Meteorologi Terapan Departemen
Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Ir. Hidayat Pawitan, MSc
dan Bapak Drs. Sridadi Budihardjo selaku pembimbing yang telah memberikan masukan dan
pengarahan kepada penulis sehingga selesainya tugas akhir ini. Penulis menyadari dalam
penyusunan skripsi ini tidak akan terlaksana dengan baik tanpa adanya bantuan dari berbagai
pihak, maka tidak lupa penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada

1. Kedua orang tua yang tak pernah putus berdoa untukku, kakakku (Tommy) atas
dukungan, semangat dan doanya.
2. Bapak Sonny Setiawan atas bantuan rumusan dan solusi yang sangat membantu penulis,
Mereka yang diluar sana yang telah banyak membantu sehingga penulis mampu
memahami dan menyelesaikan tugas akhir ini dengan baik (George Huffman, F Porcu, T
Kubota, Chuntao Liu, B.J. Sohn, dan Yoshiki Shiraishi)
3. Ibu Ria, Mba Lenny, Ibu Endang dan para Staf BMKG Darmaga atas bantuan kepada
penulis dalam data, Ka Mian yang telah membantu cara mengolah data.
4. Lisa Evana atas segala bantuan, dukungan, dan koreksi yang diberikan sangat membantu
penulis, Devita untuk buku statistiknya dan memberikan banyak masukan untuk Penulis.
5. Nizar, Dewi, Tanjung, Viktor, Tara, Indah dan Tigin atas bantuannya selama seminar
dan sidang
6. Gito, Budi, dan Nancy yang telah menjadi sahabat yang baik selama penulis di GFM.
7. Dori, Tumpal, dan Ka Mia teman seperjuangan penulis dalam menyelesaikan skripsi ini
8. Teman-teman terbaik GFM 42 lainnya Indra, Galih, Anis, Mba Ium, Veza , Epi, Rifa,
Ivan, Wahyu, Irvan, Anton, Zahir, Aan, Singgih, Dani, Cici, Franz, Yudi, Hardie, Apit,
Bang Obet, Ghulam, Heri dan Wita atas 3 tahun yang sungguh sangat menyenangkan.
9. Kakak-kakak senior GFM (ka sisi, ka diva, ka mely) yang telah membantu penulis.
10. GFM 43(Yuli, Rika, Uti, Eno, Kristin, dll), dan Segenap Civitas GFM FMIPA Bu Indah,
Mas Azis, Pak Jun, Pak Pono, Mbak Wanti, Mbak Icha, Pak Badrudin, Pak Kaerun, Pak
Udin, serta seluruh staf dosen dan pengajar atas bimbingan dan kuliahnya selama ini.
11. Teman-teman di KEMAKI dan Puri Riveria (Feri, Feriana, Icus, Dika, Nikson, Stef) atas
bantuannya selama ini.

Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama
pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu, Penulis ucapkan terima kasih.
Semoga penelitian ini dapat memberikan manfaat.

Bogor, Januari 2010

Yohanes Ariyanto Wibowo

 
 
  
 

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 23 Juni 1987, dari ayah FX. Budi Purnomo dan ibu
Yulia Sri Haryani. Penulis merupakan putra ke-2 dari dua bersaudara.
Tahun 2005 penulis lulus dari SMA Mater Dei dan pada tahun yang sama diterima masuk IPB
melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB). Penulis diterima di Departemen
Geofisika dan Meteorologi, Program Studi Meteorologi Terapan, dan Minor Sistem Informasi,
Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama mengikuti
perkuliahan, Penulis aktif di organisasi Keluarga Mahasiswa Katolik Institut Pertanian Bogor
(KEMAKI) sebagai anggota Biro Buku Angkatan (2006-2007) dan aktif di Himpunan
Mahasiswaan Agrometeorologi (HIMAGRETO) sebagai anggota pada Departemen Keilmuan dan
Profesi (2006-2008). Penulis juga pernah melakukan magang di Badan Pengkajian Dan Penerapan
Teknologi (BPPT) bagian Teknologi Inventarisasi Sumber Daya Alam (TISDA) selama satu
bulan. Selain itu penulis menjadi asisten praktikum mata kuliah Analisis Hidrologi (2009/2010),
Model Simulasi Pertanian (2009/2010), dan Hidrometeorologi D3 IPB ( 2009/2010).

 
 
  
 

DAFTAR ISI

Halaman

DAFTAR TABEL ......................................................................................................................... x

DAFTAR GAMBAR .................................................................................................................... xi

DAFTAR LAMPIRAN ................................................................................................................. xii

I. PENDAHULUAN
1.1 Latar Belakang ................................................................................................................ 1
1.2 Tujuan ............................................................................................................................. 1

II. TINJAUAN PUSTAKA

2.1 Pendugaan nilai curah hujan dengan menggunakan satelit ........................................... 1
2.1.2 Pendugaan curah hujan menggunakan sensor Inframerah (IR)/ Visible (VIS) ... 2
2.1.3 Pendugaan curah hujan menggunakan sensor pasif gelombang mikro ................ 2
2.1.4 Pendugaan curah hujan menggunakan sensor Radar Satelit ................................ 4
2.1.5 Pendugaan curah hujan menggunakan Teknik Kombinasi .................................. 4
2.2 Global Satellite Mapping of Precipitation (GSMaP) ..................................................... 4
2.3 Tropical Rainfall Measuring Mission Multi-Satellite Precipitation Analysis .............. 5
2.4 Aplikasi Curah Hujan GSMaP dan TRMM ................................................................... 5

III. METODOLOGI PENELITIAN

3.1 Bahan dan Alat ............................................................................................................... 6
3.2 Wilayah Kajian ............................................................................................................... 6
3.3 Metode Penelitian ........................................................................................................... 7
3.3.1 Metode Pengumpulan data .................................................................................... 7
3.3.1.1 Pengumpulan data curah hujan Permukaan ............................................... 7
3.3.1.2 Pengumpulan data curah hujan GSMaP .................................................... 7
3.3.1.3 Pengumpulan data curah hujan TRMM..................................................... 7
3.3.2 Metode Pengolahan Data....................................................................................... 7
3.3.3 Metode Perbandingan Data .................................................................................. 8
3.3.3.1 Perbandingan data secara visual ................................................................ 8
3.3.3.2 Perbandingan nilai kualitas data secara statistika ..................................... 8
3.3.4 Persamaan Koreksi ................................................................................................ 8
3.3.4.1 Parameter Koreksi ...................................................................................... 8
3.3.4.2 Prosedur Pemilihan Parameter Koreksi .................................................... 8

IV. HASIL DAN PEMBAHASAN

4.1 Deskripsi Data Curah Hujan .......................................................................................... 9
4.1.1 Data Curah Hujan Permukaan ............................................................................... 9
4.1.2 Data Curah Hujan Satelit ....................................................................................... 10
4.1.2.1 Data Curah Hujan GSMaP ......................................................................... 10
4.1.2.2 Data Curah Hujan TRMM TMPA ............................................................. 11
4.2 Perbandingan Data Hujan Satelit dengan Data hujan Permukaan ................................ 11
4.2.1 Perbandingan menurut variasi temporal curah hujan pada wilayah kajian. ......... 11
4.2.1.1 Wilayah I – Wilayah Pantai ...................................................................... 11
4.2.1.2 Wilayah II – Wilayah Dataran .................................................................. 13
4.2.1.3 Wilayah III – Wilayah Pegunungan ......................................................... 15
4.2.1.4 Wilayah Keseluruhan ................................................................................ 16
4.2.2 Perbandingan menurut variasi wilayah kajian pada setiap variasi waktu ........... 18
4.2.2.1 Data harian ................................................................................................. 18
4.2.2.2 Data 10-harian ............................................................................................ 18
4.2.2.3 Data bulanan............................................................................................... 18
4.3 Identifikasi Faktor Penyebab Galat ................................................................................ 19

 
 
  
 

4.4 Persamaan Koreksi Data GSMaP dan TRMM ............................................................. 20

4.4.1 Persamaan Koreksi GSMaP .................................................................................. 21
4.4.1.1 Wilayah I ................................................................................................... 21
4.4.1.2 Wilayah II .................................................................................................. 21
4.4.1.3 Wilayah III ................................................................................................ 22
4.4.1.4 Wilayah Keseluruhan ................................................................................ 22
4.4.2 Persamaan Koreksi TRMM Wilayah III .............................................................. 23

V. KESIMPULAN ....................................................................................................................... 25

DAFTAR PUSTAKA ................................................................................................................... 25

LAMPIRAN .................................................................................................................................. 28

 
 
  
 

DAFTAR TABEL

Halaman

1 Karakteristik GSMaP_NRT Hourly ..................................................................................... 4

2 Karakteristik GSMaP_NRT Daily ....................................................................................... 5
3 Produk TRMM TMPA ......................................................................................................... 5
4 Pembagian wilayah Jakarta – Bogor .................................................................................... 7
5 Koordinat wilayah Data GSMaP dan TRMM ..................................................................... 7
6 Parameter data NOAA NCEP/NCAR Reanalysis 1 bagian udara atas ............................... 8
7 Perbandingan karakteristik data curah hujan ....................................................................... 9
8 Statistik Data curah hujan permukaan harian periode 1 Desember 2008 – 28
Februari 2009 ........................................................................................................................ 10
9 Perbandingan rata-rata dan simpangan baku curah hujan harian, 10-harian , dan
bulanan pada keseluruhan wilayah periode 1 Desember 2008 – 28 Februari 2009 ............ 10
10 Statistik curah hujan GSMaP harian periode 1 Desember 2008 – 28 Februari 2009 ......... 10
11 Statistik curah hujan TRMM harian periode 1 Desember 2008 – 28 Februari 2009 .......... 11
12 Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan
permukaan secara statistik pada wilayah I ........................................................................... 12
13 Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data
curah hujan permukaan wilayah I ........................................................................................ 13
14 Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan
permukaan secara statistik pada wilayah II.......................................................................... 14
15 Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data
curah hujan permukaan wilayah II ....................................................................................... 14
16 Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan
permukaan secara statistik pada wilayah III ........................................................................ 15
17 Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data
curah hujan permukaan wilayah III ...................................................................................... 16
18 Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan
permukaan secara statistik pada wilayah Keseluruhan ........................................................ 17
19 Uji Mann Whitney antara data curah hujan GSMaP dan TRMM dengan data
curah hujan permukaan wilayah Keseluruhan ..................................................................... 17
20 Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah I ..... 21
21 Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah II .... 21
22 Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah III ... 22
23 Perbandingan data CH Permukaan dengan GSMaP dan persamaan koreksi wilayah
keseluruhan ........................................................................................................................... 22
24 Persamaan Koreksi data TRMM Wilayah III ...................................................................... 23
25 Perbandingan data CH Permukaan dengan TRMM dan persamaan koreksi TRMM
wilayah III ............................................................................................................................. 23

 
 
  
 

DAFTAR GAMBAR

Halaman

1 Ilustrasi Sensor pada Satelit Pengukur Hujan ...................................................................... 2

2 Wilayah cakupan GEO IR satelit ......................................................................................... 2
3 Metode pengukuran gelombang mikro emission-based pada kanal 37Ghz ........................ 3
4 Emission-based pada kanal 37Ghz pada wilayah daratan ................................................... 3
5 Metode pengukuran gelombang mikro scattering based pada kanal 85Ghz ...................... 3
6 Ilustrasi Pengembangan Precipitation physical model ........................................................ 4
7 Lintasan/Orbit gabungan Satelit TRMM/ TMI , Aqua / AMSR-E , ADEOOS-II/
AMSR dan DMSP/ SSM/I ................................................................................................... 4
8 Lokasi Kajian wilayah Jakarta – Bogor ............................................................................... 6
9 Profil melintang Jakarta – Bogor ......................................................................................... 7
10 Interaksi antara angin dengan Kemiringan lereng ............................................................... 9
11 Plot data curah hujan permukaan ......................................................................................... 10
12 Plot data curah hujan GSMaP .............................................................................................. 11
13 Plot data curah hujan TRMM ............................................................................................... 11
14 Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan
TRMM secara harian, 10harian, dan Bulanan wilayah I ..................................................... 12
15 Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan
GSMaP dan TRMM pada wilayah I..................................................................................... 13
16 Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan
TRMM secara harian, 10harian, dan Bulanan wilayah II .................................................... 14
17 Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan
GSMaP dan TRMM pada wilayah II ................................................................................... 14
18 Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan
TRMM secara harian, 10harian, dan Bulanan wilayah III .................................................. 15
19 Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan
GSMaP dan TRMM pada wilayah III .................................................................................. 16
20 Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP dan
TRMM secara harian, 10harian, dan Bulanan wilayah Keseluruhan .................................. 17
21 Plot perbandingan antara curah hujan harian Permukaan dengan curah hujan
GSMaP dan TRMM pada wilayah Keseluruhan ................................................................ 17
22 Perbandingan secara statistik korelasi dan parameter galat antara GSMaP dan
TRMM dengan curah hujan permukaan secara harian, 10harian, bulanan ........................ 18
23 Kemiringan lereng wilayah III ............................................................................................. 20
24 Wilayah Terjadinya hujan hangat ....................................................................................... 20
25 Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum
koreksi dan dengan persamaan koreksi pada wilayah I ..................................................... 21
26 Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum
koreksi dan dengan persamaan koreksi pada wilayah II .................................................... 22
27 Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum
koreksi dan dengan persamaan koreksi pada wilayah III ................................................... 22
28 Scatterplot antara curah hujan permukaan dengan curah hujan satelit sebelum
koreksi dan dengan persamaan koreksi pada wilayah keseluruhan.................................... 23
29 Scatterplot antara curah hujan permukaan dengan curah hujan TRMM
sebelum koreksi dan 3 persamaan koreksi . ........................................................................ 24
30 Plot antara nilai curah hujan TRMM dan tiga Persamaan Koreksi terhadap
waktu pada wilayah III ......................................................................................................... 24

 
 
  
 

DAFTAR LAMPIRAN

Halaman

1 Daftar stasiun pengamatan hujan di wilayah kajian ............................................................ 29

2 Peta sebaran Stasiun pengamatan curah hujan Jakarta – Bogor .......................................... 30
3 Luasan Poligon Thiessen ...................................................................................................... 31
4 Poligon Thiessen wilayah Kajian ......................................................................................... 32
5 Global Satellite Mapping of Precipitation (GSMaP) ........................................................... 33
6 Tropical Rainfall Measuring Mission (TRMM) .................................................................. 35
7 Diagram Alir Pengumpulan Data ......................................................................................... 39
8 Diagram Alir Perbandingan dan Faktor Koreksi Data......................................................... 39
9 Keluaran regresi stepwise persamaan koreksi 1 Curah hujan harian TRMM ..................... 40
10 Keluaran regresi stepwise persamaan koreksi 2 Curah hujan harian TRMM ..................... 41
11 Keluaran regresi stepwise persamaan koreksi 3 Curah hujan harian TRMM ..................... 42
12 Keluaran regresi stepwise koreksi data GSMaP wilayah I ................................................ 43
13 Keluaran regresi stepwise koreksi data GSMaP wilayah II................................................ 44
14 Keluaran regresi stepwise koreksi data GSMaP wilayah III .............................................. 45
15 Keluaran regresi stepwise koreksi data GSMaP wilayah Keseluruhan .............................. 46
16 Data Curah hujan Permukaan, Curah hujan GSMaP, dan Curah hujan TRMM pada
wilayah I, II, dan III

 
 

I. PENDAHULUAN
1.1 Latar Belakang
Curah hujan adalah unsur utama yang
diukur dalam bidang meteorologi karena
berpengaruh pada berbagai sektor, seperti
pariwisata, pertanian, dan kesehatan
masyarakat. Pengukuran curah hujan pada
tiap stasiun pengamatan menghasilkan data
curah hujan titik, yang dianggap mewakili
curah hujan untuk radius tertentu. Besarnya
radius ini bergantung dari topografi wilayah
dan tipe hujan pada wilayah tersebut. Curah
hujan hasil pengukuran di daratan dengan
menggunakan alat penakar hujan disebut
dengan curah hujan permukaan.
Persyaratan pendirian lokasi stasiun
pengamatan hujan telah diatur oleh WMO
(World Meteorological Organization), tetapi
karena biaya pendirian dan operasional yang
tinggi dan topografi yang sulit untuk daerah
pegunungan mengakibatkan keterbatasan
jumlah stasiun pengamatan hujan. Faktor-
faktor lain seperti data hilang atau tidak
homogennya data dikarenakan faktor manusia
ataupun kerusakan alat juga dapat membuat
pencatatan hujan menjadi tidak akurat.
Pendugaan curah hujan menggunakan
satelit (spaceborne) mulai dikembangkan
dalam beberapa dekade terakhir. Tahun 1970-
an para ilmuwan meteorologi satelit mencoba
mengembangkan teknik pendugaan curah
hujan menggunakan sinar inframerah dan
sinar tampak. Teknik penggunaan cahaya ini
dapat menangkap pantulan gelombang dari
awan (sinar tampak) dan suhu puncak awan
(inframerah). Pada tahun 1980an, teknik lain
untuk menduga curah hujan mulai
dikembangkan, yaitu teknik penggunaan
radiometer gelombang mikro pasif (passive
microwave radiometer). Teknik ini mendapat
perhatian serius dari para peneliti karena
mampu mengukur radiasi yang dikeluarkan
oleh air hujan dan hamburan yang disebabkan
oleh salju dan awan es (Kubota 2007).
Beberapa satelit meteorologi telah
diluncurkan dengan membawa instrument
MWR ini diantaranya AQUA (2002), DMSP
(1995), dan TRMM (1998).
Metode lain yang sedang berkembang saat
ini menggunakan metode kombinasi (blended
method), yaitu menggabungkan data-data dari
satelit-satelit yang membawa sensor
inframerah dan sensor gelombang mikro.
Global Satellite Mapping of Precipitation
(GSMaP) dan Tropical Rainfall Measuring
Mission Multi-Satellite Precipitation Analysis
(TRMM TMPA) adalah proyek pendugaan
curah hujan secara global dengan memakai
metode kombinasi. Perbedaan keduanya ada
pada algoritma yang digunakan, TRMM
TMPA menggunakan algoritma Goddard
Profiling Algorithm (GPROF) NASA,
sedangkan GSMaP menggunakan algoritma
Look Up Tabel (LUT’s) JAXA (Huffman dan
Bolvin 2009, Kubota 2007). Penggunaan
metode kombinasi ini bertujuan untuk
mendapatkan curah hujan global secara near-
realtime.
Data GSMaP tersedia periode 23 Juli 2008
– sekarang, sedangkan TRMM TMPA
tersedia periode 10 Oktober 2008 – sekarang.
Penggunaan data curah hujan GSMaP dan
TRMM TMPA untuk wilayah Indonesia
merupakan suatu hal yang sangat
menguntungkan, karena wilayah Indonesia
yang sangat luas dan pola curah hujan di
wilayah Indonesia yang bervariasi.
1.2 Tujuan
Tujuan dibuatnya tugas akhir ini adalah
1. Evaluasi curah hujan GSMaP dan TRMM
TMPA dengan curah hujan permukaan
pada berbagai variasi topografi (pantai,
dataran, dan pegunungan) dan variasi
temporal (harian, 10harian, dan bulanan)
2. Identifikasi kesalahan pendugaan antara
curah hujan GSMaP dan TRMM TMPA
dengan curah hujan permukaan untuk
mendapatkan persamaan koreksi.
II. TINJAUAN PUSTAKA
Ketersediaan data curah hujan selama ini
sangat tergantung pada stasiun pengamatan
hujan, akan tetapi tidak semua lokasi tersedia
stasiun pengamatan hujan. Pendugaan curah
hujan menggunakan satelit dapat menjadi
solusi bagi ketersedian data ini, karena
pendugaan curah hujan dari satelit ini dapat
memberikan data secara spasial global dan
temporal yang kontinu.
2.1 Pendugaan Curah Hujan dengan
Menggunakan Satelit
Pendugaan hujan menggunakan satelit
(spaceborne) diawali dengan citra awan dari
satelit meteorologi pertama yaitu satelit
Television and Infrared Observation Satellite
(TIROS-1) yang diluncurkan pada April 1960.
Citra awan digunakan karena presipitasi
berhubungan erat dengan keberadaan awan,
akan tetapi karena data (citra) puncak awan
tidak memberikan informasi secara langsung
tentang mikrofisik awan dan struktur vertikal
awan (Kidder 1981 dalam Michaelides 2008)

maka metode pendugaan curah hujan dengan
satelit menjadi hal yang menarik untuk terus
dikembangkan.
Perkembangan teknologi pendugaan curah
hujan dari luar angkasa saat ini secara umum
terbagi atas tiga metode (Gambar 1)
berdasarkan sensor yang digunakan yaitu
sensor Inframerah (IR)/Sinar tampak (VIS),
sensor gelombang mikro pasif dan sensor
radar satelit.
(Sumber : Ushio 2008)
Gambar 1 Ilustrasi Sensor pada Satelit
Pengukur Hujan
2.1.2 Pendugaan Curah Hujan Sensor
Menggunakan Inframerah(IR)/
Visible (VIS)
Penggunaan sensor IR/VIS pada satelit
akan mendapatkan data emisi dari puncak
awan atau didekat puncak awan (Rosenfeld et
al. 2004 dalam Michaelides 2008). Satelit
yang membawa sensor IR ini adalah satelit-
satelit yang mempunyai orbit Geostationary
Earth Orbit (GEO) yang letaknya jauh dari
permukaan bumi (35800 km), satelit GEO-IR
ini antara lain MTSAT, METEOSAT, dan
GOES. Orbit satelit tersebut bersifat stasioner
yang berarti bahwa satelit ini bersifat tetap
mengamati suatu lokasi, karena pergerakan
dari satelit akan mengikuti rotasi bumi. Posisi
satelit yang jauh dari permukaan bumi ini
mempunyai nilai positif yaitu dari segi daerah
jangkauan satelit yang sangat luas, sehingga
jika ditambah dengan sifatnya yang statis pada
suatu lokasi tertentu maka dapat dilakukan
pengamatan selama 24 jam. Satelit bersifat
Gambar 2 Wilayah cakupan GEO IR satelit
GEO yang membawa sensor inframerah telah
tersebar pada titik-titik di seluruh dunia
(Gambar 2), sehingga citra inframerah secara
global sudah dapat tersedia.
2.1.3 Pendugaan Curah Hujan
Menggunakan Sensor Pasif
Gelombang Mikro
Prinsip dasar dari penggunaan sensor pasif
gelombang adalah menangkap intensitas
radiasi gelombang mikro yang diemisikan
oleh permukaan bumi, awan dan butir hujan
(Hou et al. dalam Michaelides 2008). Sensor
sensor pasif gelombang ini akan mendapatkan
nilai berupa suhu kecerahan (brightness
temperature Tb) yang merupakan fungsi dari
intensitas radiasi gelombang elektromagnetik
I(z,θ,f), dimana f adalah frekuensi radiometer,
θ adalah sudut pengukuran, dan z adalah
tinggi pengukuran. Nilai I ini terukur emisi,
pantulan dan hamburan (scattering) yang
dikeluarkan oleh bumi, awan, gas-gas di
atmosfer dan butiran hujan. Pendugaan
besarnya intensitas hujan yang terbentuk
dibutuhkan beberapa kalkulasi yang
berdasarkan pada prinsip hukum radiasi Plank
yang menjelaskan bahwa besarnya energi
radiasi yang dikeluarkan oleh suatu benda
menggambarkan suhu benda tersebut.
Penangkapan radiasi gelombang mikro
dapat dibedakan menjadi dua, berdasarkan
daerah kajiannya yaitu
1. Wilayah Lautan
Pada sensor gelombang mikro yang
memakai kanal berfrekuensi rendah (<40
GHz), butir hujan akan mengeluarkan emisi
yang menyebabkan peningkatan nilai suhu
kecerahan dari emisi permukaan, sehingga
nilai suhu kecerahan pada daerah yang
diatasnya terdapat butir awan menjadi
terlihat “hangat”, prinsip ini disebut dengan
emission-based (Spencer et al. 1988),
sedangkan pada wilayah lautan nilai
intensitas radiasi yang dipancarkan oleh
(Sumber : Higuchi 2008)
  
 

permukaan lautan nilainnya kurang lebih sangat besar saja, sedangkan jika frekuensi
setengah dari suhu sebenarnya, hal ini lebih besar dari 220 GHz akan menangkap
menyebabkan daerah lautan terlihat “dingin” intensitas curah hujan dari hal-hal yang
pada sensor. Emisi “dingin” dari sekitar bukan hujan sekalipun seperti awan Cirrus
permukaan dibandingkan dengan emisi (Lensky dan Levizzani dalam Michaelides
“hangat” dari permukaan yang terdapat butir 2008).
hujan pada bagian atasnya, akan membuat
wilayah yang terdapat butir hujan terlihat
kontras pada sensor, sehingga observasi nilai
curah hujan pada wilayah lautan akan sangat
akurat.

(Sumber : COMET 2006)

Gambar 4 Emission-based pada kanal
37Ghz pada wilayah daratan

(Sumber : COMET 2006)

Gambar 3 Metode pengukuran gelombang
mikro emission-based pada kanal
37Ghz

2. Wilayah Daratan
Emisivitas daratan sangat berbeda
dengan emisivitas wilayah lautan, wilayah
daratan memancarkan emisivitas hampir
90% dari kondisi suhu aslinya. Penggunaan
metode emission-based menyebabkan
adanya kemiripan antara nilai emisi
gelombang mikro dari butiran hujan dengan
emisi gelombang mikro daratan pada saat
diterima oleh sensor (Gambar 4).
Permasalahan ini mendasari penggunaan (Sumber : COMET 2006)
kanal dari sensor gelombang mikro dengan Gambar 5 Metode pengukuran gelombang
frekuensi lebih tinggi. Gelombang mikro mikro scattering based pada kanal
berfrekuensi tinggi yang dikeluarkan oleh 85Ghz
butir hujan dan permukaan akan mengalami
hamburan oleh partikel es yang biasanya Berkurangnya nilai emisi pada
terdapat pada awan hujan. Proses ini penggunaan metode scattering-based ini juga
menyebabkan nilai intensitas yang diterima berpengaruh pada nilai konversi dari nilai
sensor gelombang mikro akan semakin suhu kecerahan menjadi nilai intensitas hujan,
berkurang (lebih kecil = lebih “dingin”) karena itu dibuat model awan yang diberi
sehingga akan terlihat kontras dengan nama Precipitation physical model untuk
intensitas yang dikeluarkan oleh daratan menduga jumlah gelombang yang mengalami
(Gambar 5), metode ini dinamakan hamburan oleh es. Keakuratan penggunaan
scattering- based (Spencer et al. 1988). sensor gelombang mikro ini bergantung dari
Semakin tinggi frekuensi sensor maka Precipitation physical model, karena jumlah
sensor akan makin sensitif. Frekuensi hamburan dan intensitas hujan yang terjadi
dibawah 20GHz akan menangkap hanya dihitung berdasarkan model ini.
emisi pada intensitas curah hujan yang

 
 
  
 

(Sumber : Okamoto 2007)

Gambar 6 Ilustrasi Pengembangan (Sumber : Ushio 2008)
Precipitation physical model Gambar 7 Lintasan/Orbit gabungan Satelit
TRMM/ TMI , Aqua / AMSR-E ,
2.1.4 Pendugaan Curah Hujan ADEOOS-II/ AMSR , dan DMSP/
Menggunakan Sensor Radar Satelit SSM/I
Penggunaan radar pada media luar
angkasa pertama kali digunakan pada satelit 2.2Global Satellite Mapping of
TRMM, karena pada umumnya pengukuran Precipitation (GSMaP)
curah hujan dengan menggunakan radar Global Satellite Mapping of Precipitation
dilakukan dengan radar permukaan (ground (GSMaP) adalah project milik pemerintah
base radar). Radar ini mengeluarkan sinyal Jepang untuk melakukan pengukuran curah
dan menangkap gelombang balik dari sinyal hujan dengan menggunakan media satelit luar
tersebut, sinyal yang kembali kepada sensor angkasa. GSMaP dikelola dibawah lembaga
radar akan mendapatkan hasil pengukuran antariksa Jepang yaitu JAXA Precipitation
objek yang dikenainya, dan dari nilai Measurement Missions dan GCOM-
hamburan balik gelombang tersebut akan W1/AMSR2 (JAXA 2008). Data GSMaP
dapat diketahui karakteristik dari objek dapat diakses pada situs milik GSMaP yaitu
(Lensky dan Levizzani dalam Michaelides http://sharaku.eorc.jaxa.jp/ GSMaP/index.htm,
2008) dan tersedia sejak 23 Juli 2008. Produk
Nilai intensitas hujan yang dihasilkan oleh GSMaP yaitu
sensor radar ini merupakan hasil pengukuran
yang paling akurat dibanding sensor lainnya, 1. Data GSMaP Hourly
tetapi kelemahan utama dari radar ini adalah GSMaP_NRT Hourly adalah data
wilayah jangkauannya yang sangat terbatas intensitas hujan tiap jam dalam satuan
yaitu 215 km mm/jam yang secara near real time
dikeluarkan. Near Realtime ini menunjukkan
2.1.5 Pendugaan Curah Hujan data curah hujan yang didapat merupakan data
Menggunakan Teknik Kombinasi curah hujan 4 jam setelah waktu
(Blended Techniques) observasi/waktu kejadian hujan.
Ketersediaan berbagai sensor pengukuran
curah hujan satelit memungkinkan Tabel 1 Karakteristik GSMaP_NRT Hourly
penggunaan kombinasi antara keunggulan Satuan mm/jam
masing-masing sensor untuk menutupi
kelemahan sensor lainnya (Gambar 7). Resolusi Waktu Tiap Jam (hourly)
Penggunaan kombinasi yang telah dilakukan Resolusi
0.1 o x 0.1 o
adalah penggunaan kombinasi antara sensor Spasial
gelombang mikro dan sensor inframerah. 4 jam setelah
LagTime
Tujuan dari penggabungkan ini untuk Pengamatan
mendapatkan data curah hujan secara near- Periode data 23-07-2008- sekarang
real time.
Beberapa proyek pendugaan curah hujan 2. Data GSMaP_NRT Daily
dengan metode kombinasi yang telah ada saat Data ini merupakan data akumulasi dari
ini antara lain Global Satellite Mapping of data GSMaP Hourly, sehingga hasil dan
Precipitation (GSMaP), TRMM TMPA, algoritma yang digunakan sama dengan data
CMORPH, dan Naval Research Laboratory. GSMaP Hourly. Perbedaan antara
GSMaP_NRT Hourly dan GSMaP_NRT

 
 

Daily terdapat pada resolusi data, resolusi
data GSMaP_NRT Daily 0.25ox0.25o,
penggunaan data dengan resolusi ini bertujuan
untuk menyamakan resolusi data dengan data
dari satelit pengamatan hujan lainnya,
sehingga mudah untuk diperbandingkan dan
divalidasi.
Tabel 2. Karakteristik GSMaP_NRT Daily
Satuan mm
Resolusi Waktu harian
Resolusi Spasial 0.25o x 0.25o
23 Juli 2008 -
Periode data
sekarang
2.3 Tropical Rainfall Measuring Mission
Multi-Satellite Precipitation Analysis
(TRMM TMPA)
TRMM TMPA merupakan gabungan data
satelit TRMM dengan satelit-satelit yang
membawa gelombang mikro (DMSP dengan
sensor SSM/I, Aqua dengan sensor AMSR-E
dan AMSU-B) dan GEO IR data yang telah
dikalibrasi (intercalibrated) dengan data curah
hujan satelit TRMM (Huffman et al. 2008).
Data TRMM dapat diakses melalui situs
NASA (http://disc2.nascom.nasa.gov/Giov
anni/tovas/)
Dataset TRMM TMPA dibagi menjadi 2 yaitu
1. TRMM TMPA near Real-Time (RT)
merupakan Kombinasi antara Sensor
inframerah dan gelombang mikro yang
diolah menggunakan Algoritma dari
Goddard Profiling Algorithm (GPROF-
NASA) (Huffman dan Bolvin 2008)
2. TRMM TMPA Version 6 (V6) merupakan
turunan produk RT yang kemudian
dikoreksi dengan data curah hujan
permukaan secara global milik Global
Precipitation Climatology Center (GPCC)
Tabel 3 Produk TRMM TMPA
Produk Data
TMPA-RT Intermediate IR
3B41RT
Product (VAR)
TMPA-RT Intermediate
3B40RT
Microwave Product (HQ)
3B42RT
TRMM+IR+MWRs
3-hourly
3B42RT TRMM+IR+MWRs
TRMM+IR Curah hujan
3B42V6
harian GPCC
TRMM + GPCC rain gauge
3B43V6
analysis
2.4 Aplikasi Curah Hujan GSMaP dan
TRMM
Penelitian menggunakan data GSMaP
dilakukan oleh Iwasaki yang menggunakan
data curah hujan GSMaP untuk menduga nilai
NDVI di kawasan Mongolia (Iwasaki 2009).
Validasi nilai curah hujan GSMaP dengan
curah hujan permukaan dilakukan dengan
menggunakan 97 stasiun meteorologi yang
tersebar di wilayah Mongolia dengan resolusi
data curah hujan bulanan. Hasil perbandingan
menunjukkan korelasi 0.61, dan disebutkan
bahwa akurasi GSMaP untuk wilayah Arid
tidak akurat (Iwasaki 2009). Validasi GSMaP
yang lainnya dilakukan pada dokumen awal
GSMaP dengan judul penelitian Global
Precipitation Map Using Satellite-Borne
Microwave Radiometers by the GSMaP
Project: Production and Validation (Kubota
et al. 2007). Validasi pada dokumen ini
dilakukan pada wilayah 15o LS – 15oLU
dengan memakai data curah hujan bulanan
permukaan milik GPCC. Hasil dari
perbandingan menunjukkan korelasi yang
cukup baik yaitu 0.82 dengan persamaan linier
yang terbentuk y = 1.08 x+ 21.9. Persamaan
linier dengan slope positif ini menunjukkan
GSMaP berada di bawah curah hujan GPCC
(Kubota et al. 2007).
Validasi curah hujan permukaan dengan
curah hujan dari TRMM TMPA telah
dilakukan antara lain di wilayah Oruro,
Bolivia yang merupakan bagian dari wilayah
pegunungan Altipano (Sandoval 2007). Data
curah hujan yang digunakan 3B42V6 dan
3B43V6 diperbandingkan dengan data curah
hujan permukaan di wilayah tersebut. Pada
wilayah Indonesia sendiri perbandingan data
TRMM TMPA dilakukan pada kota
Padang-Sumatera Barat, Pontianak-
Kalimantan Barat karena dianggap mewakili
Resolusi Ketersedian Data
Global 10 Oktober 2008 -
(Tiap 3 Jam; 0.25 o x 0.25 o) Sekarang
Global 10 Oktober 2008 -
(Tiap 3 Jam; 0.25 o x 0.25 o) Sekarang
Global 10 Oktober 2008 -
(Tiap 3 Jam; 0.25 o x 0.25 o) Sekarang
Global 10 Oktober 2008 -
(harian ; 0.25 o x 0.25 o) Sekarang
Global 1 Januari 1998 -
(harian; 0.25 o x 0.25o) Sekarang
Global (Bulanan :0.25 o x 1 Januari 1998 -
0.25 o) Sekarang

daerah di Benua Maritim Indonesia (BMI)
yang memiliki tipe curah hujan dominan
adalah ekuatorial, dan wilayah Manado-
Sulawesi Utara, Bengkulu, Jakarta
(Kemayoran), dan Semarang-Jawa Tengah
untuk mewakili daerah di Benua Maritim
Indonesia (BMI) yang memiliki tipe/pola
curah hujan dominan adalah monsunal
(Suryantoro et al. 2008). Perbandingan
menggunakan curah hujan bulanan dengan
hasil perbandingan berkorelasi sebesar 0.8
pada keseluruhan wilayah.
III. METODOLOGI PENELITIAN
3.1 Bahan dan Alat
Data yang digunakan untuk penelitian ini
1. Data Curah hujan dari 23 stasiun hujan
pada wilayah Jakarta-Bogor Periode
Oktober 2008 – Februari 2009
(Lihat Lampiran 1)
2. Data Curah hujan GSMaP harian
wilayah Jakarta-Bogor Periode
Oktober 2008 – Februari 2009
(http://sharaku.eorc. jaxa.jp/GSMaP/)
3. Data Curah hujan TRMM (3B42RT,
3B43V6) wilayah Jakarta-Bogor
Periode Oktober 2008 – Februari 2009
(ftp://disc2.nascom.nasa.gov/data/
TRMM/ Gridded/DerivedProducts/)
4. Data parameter-parameter Meteorologi
NOAA NCEP/NCAR Reanalysis 1
(http://www.cdc.noaa.gov/data/gridded
/data.ncep.reanalysis.html)
5. Peta Ketinggian ASTER GDEM 30x30
wilayah Jakarta-Bogor
(http://www. gdem.aster.ersdac.or.jp)
Gambar 8 Lokasi Kajian wilayah Jakarta – Bogor
Alat yang digunakan adalah seperangkat
komputer dengan perangkat lunak
1. ArcGIS 9.3
2. Global Mapper 10
3. GRaDS GUI
4. Panoply NASA GISS
5. Microsoft Office 2007
6. Minitab 15
3.2 Wilayah Kajian
Perbandingan antara TRMM, GSMaP dan
data curah hujan permukaan dilakukan pada
Jakarta-Bogor yang secara geografis terletak
pada koordinat 106.75 o - 107 o BT dan 6o -
6.75 o LS (Gambar 8). Wilayah Jakarta -
Bogor ini lalu dibagi lagi dalam tiga wilayah
kajian (Tabel 4), dan satu wilayah keseluruhan
(wilayah gabungan I, II, dan III), pembagian
wilayah ini didasarkan atas pertimbangan
antara lain :
1. Pembagian luas wilayah seluas 0.25o
x0.25o dipilih untuk penyesuaian
dengan grid milik data satelit TRMM
dan GSMaP
2. Pemilihan kawasan didasarkan atas
perbedaan jenis topografi kawasan,
yaitu dataran-lautan, daratan, dan
pegunungan (Gambar 9) , untuk
menguji kepekaan satelit terhadap
berbagai topografi tersebut
3. Wilayah keseluruhan bertujuan untuk
melihat bagaimana hasil evaluasi jika
luasan semakin diperluas dan bentuk
topografi permukaan heterogen

Gambar 9 Profil melintang Jakarta – Bogor
Tabel 4 Pembagian wilayah Jakarta - Bogor
Wil Bujur Lintang Topografi
I 106.75- 107 -6- -6.25 Pantai
II 106.75- 107 -6.25- -6.5 Daratan
III 106.75 - 107 -6.5- -6.75 Pegunungan
3.3 Metode Penelitian
Penelitian ini dilakukan melalui dua
tahapan yaitu pengumpulan data, pengolahan
data, perbandingan data, dan persamaan
koreksi (alur penelitian lihat Lampiran 7 dan
Lampiran 8).
3.3.1 Metode Pengumpulan Data
3.3.1.1 Curah Hujan Stasiun
Data curah hujan permukaan yang
digunakan merupakan data curah hujan yang
berasal dan stasiun pengamatan hujan milik
BMKG, seluruh data ini didapatkan dari
Stasiun Klimatologi Darmaga dan Balai Besar
II BMKG Ciputat. Data curah hujan yang
dipergunakan adalah data curah hujan yang
tersebar pada wilayah Bogor sampai Jakarta.
Terdapat 23 titik pengamatan hujan pada
wilayah tersebut, sebagian besar (50%)
tersebar di wilayah III, sedangkan sisanya
tersebar di wilayah II sebesar 35% dan
wilayah I sebesar 15%. (Lampiran 1 dan
Lampiran 2).
3.3.1.2 Curah Hujan GSMaP
Data GSMaP yang digunakan adalah data
GSMaP_NRT daily, yang berisi intensitas
hujan (mm/jam) selama 1 hari dari pukul 00 –
23 UTC dengan format data berupa
*.DAT.GZ. Data hujan harian ini berbentuk
grid dengan resolusi spasial sebesar
0.25ox0.25o, sehingga di setiap wilayah kajian
diambil 1 grid data (Tabel 5). Data hujan
didapat dengan mengakses situs GSMaP yaitu
http://sharaku.eorc.jaxa.jp/ GSMaP/index.htm.
3.3.1.3 Curah Hujan TRMM
Data TRMM yang digunakan adalah data
3B42RT untuk data harian dan 3B43V6
untuk data bulanan. data3B42RT berisi data
akumulasi hujan harian selama 1 hari (mm)
dari 00 – 23 UTC, sedangkan data bulanan
berisi intensitas hujan selama 1 bulan
(mm/jam). Data hujan TRMM ini berbentuk
grid dengan resolusi spasial sebesar
0.25ox0.25o, sehingga di setiap wilayah kajian
diambil 1 grid data (Tabel 5). Data hujan pada
TRMM disediakan 2 jenis format, yaitu
*.HDF dan *.BIN (binary dataset), pada
penelitian ini digunakan data berformat *.BIN
yang dapat diperoleh dengan mengakses
direktori ftp yaitu
ftp://disc2.nascom.nasa.gov/data/TRMM/Grid
ded/ DerivedProducts/.
Tabel 5 Koordinat wilayah Data GSMaP dan
TRMM
Wilayah Bujur Lintang
I 106.75 - 107 -6 LS - -6.25 LS
II 106.75 - 107 -6.25 LS - -6.5 LS
III 106.75 - 107 -6.5 LS - -6.75 LS
3.3.2 Metode Pengolahan Data
Data curah hujan permukaan adalah data
curah hujan titik, untuk itu perlu terlebih
dahulu disamakan dengan data curah hujan
satelit menjadi data curah hujan wilayah.
Perubahan dari data curah hujan titik menjadi
data curah hujan wilayah ini digunkan metode
poligon Thiessen. Poligon Thiessen dibuat
dengan memakai Arcgis 9.3, poligon ini
dibuat berdasakan 23 titik pengamatan curah
hujan yang tersebar di wilayah Bogor dan
Jakarta. Setelah didapatkan poligon tersebut,
dihitung luas wilayah setiap poligon untuk
menentukan besar bobot rataan pada stasiun
tersebut. (Tabel Luasan wilayah Poligon dan
Peta Poligon Thiessen lihat Lampiran 2 dan
3). Data curah hujan yang didapatkan adalah
data curah hujan harian wilayah, yang
selanjutnya disebut dengan curah hujan
permukaan.
Perbandingan temporal waktu, maka data
curah hujan harian ini diakumulasikan
menjadi data 10 harian dan bulanan. Data 10
harian didapatkan dengan membagi dalam
setiap bulan menjadi tiga data 10 harian,
untuk bulan dengan jumlah hari tidak sama
dengan 30, maka dilakukan normalisasi 10
harian pada data 10-harian ketiga pada tiap
bulannya.Data curah hujan TRMM dan
GSMaP dibuka dengan menggunakan
Sofware GrADS (Grid Analysis and Display
System - Version 2.0). GrADS adalah
perangkat lunak untuk analisis data atmosfer
yang dikembangkan oleh Center for Ocean-
Land-Atmosphere Studies (COLA) dan dapat
diperoleh secara bebas pada situsnya yaitu
http://grads.iges.org/grads
  
 

3.3.3 Metode Perbandingan Data penangkapan satelit dalam menduga nilai

3.3.3.1 Perbandingan Data Secara Visual curah hujan. Setelah didapat parameter-
Perbandingan data secara visual ini parameter koreksi yang berhubungan dengan
melibatkan tiga buah grafik sebagai visualisasi kejadian tersebut.
yaitu dengan menggunakan Grafik Scatterplot
dan Grafik Batang 3.3.4.1 Parameter Koreksi
Parameter koreksi menggunakan data
3.3.3.2 Perbandingan Nilai Kualitas Data NOAA NCEP/NCAR Reanalysis 1. Data ini
Secara Statistika merupakan data meteorologi yang
Penentuan nilai kualitas data digunakan dikumpulkan secara global dengan berbagai
parameter-parameter statistika sebagai alat metode pengumpulan data serta analisis antara
bantu penentuan kualitas data satelit, yaitu data observasi dengan data hasil model.
Kalnay et al. (1996) . Data ini dapat diunduh
1. Koefisien Korelasi pada situs http://www.cdc.noaa.gov. Data
yang digunakan adalah
∑ ∑ ∑
1. Data NOAA NCEP/NCAR Reanalysis
∑ ∑ ∑ ∑
1fluks permukaan yang terdiri atas :
a. Kelembaban tanah 0-10 cm (soil
2. Mean Absolute Error (MAE) moisture 0-10 cm) (θ0-10cm)
b. Kelembaban tanah 10-200 cm (soil
MAE = ∑ | | moisture 10-200 cm) (θ10-200cm)
c. Temperatur kulit permukaan (skin
3. Root Mean Square Error (RMSE) temperature) (Ts)
∑
2. Data NOAA NCEP/NCAR Reanalysis 1
RMSE = udara atas terdiri atas
4. Uji Mann-Whitney
Tabel 6 Parameter data NOAA NCEP/
Merupakan Uji non parametrik dalam
NCAR Reanalysis 1 bagian udara
statistika untuk melihat perbandingan
atas
rataan kedua data, uji ini merupakan
alternatif dari uji-t, pada uji-t sebaran data Ketinggian
Parameter
harus bersifat normal, sedangkan dengan nn (mb)
uji Mann Whitney ini sebearan data tidak o 850, 1000, dan
Suhu Udara T K
diharuskan bersifat normal. Hipotesis Permukaan
yang digunakan adalah Kelembaban 850, 1000, dan
relatif
RH %
• Ho : Kedua data berbeda secara Permukaan
Kelembaban kg/
nyata qs 850 dan 1000
spesifik kg
• H1 : Kedua data tidak berbeda Angin uwi m/ 850, 1000, dan
secara nyata (sama) Zonal nd s Permukaan
Pengujian Mann-Whitney ini Angin vwi m/ 850, 1000, dan
menggunakan perangkat lunak Minitab, Meridional nd s Permukaan
penentuan nilai hipotesis yang diterima
Tekanan P mb Permukaan
berdasarkan nilai P-value nya, jika nilai
P-val kurang dari nilai selang
kepercayaan (α) maka terima Ho, selain Data angin yang mempunyai dua
itu tolak Ho dan terima H1. parameter, zonal dan meridional, sehingga
Galat didefinisikan sebagai selisih antara dicari resultannya dengan menggunakan
curah hujan TRMM dan GSMaP dengan rumus
curah hujan permukaan. Koefisien korelasi V=√
bertujuan untuk melihat distribusi dan pola
data, sedangkan uji Mann-Whitney bertujuan 3.3.4.2 Prosedur Pemilihan Parameter
membuktikan nyata tidaknya perbedaan rataan Koreksi
antara kedua data. Persamaan koreksi dibentuk menggunakan
regresi stepwise, dengan tiga perlakuan
3.3.4 Persamaan Koreksi berbeda pada parameternya, sehingga didapat
Melakukan identifikasi kemungkinan tiga persamaan koreksi.
penyebab galat bedasarkan cara kerja

 
 

1. Persamaan regresi ganda sederhana
tanpa perubahan variabel
Persamaan regresi ini tanpa mengubah
parameter yang ada, sehingga data langsung
dimasukan dalam regresi stepwise, dan dipilih
hasil persamaan yang terbaik
2. Persamaan regresi ganda dengan
modifikasi berupa Interaksi antara
angin dan kemiringan lereng topografi
Gambar 10 Interaksi antara angin dengan
Kemiringan lereng
Vektor angin yang mengarah kearah
gunung (komponen angin meridional yang
bernilai negatif) akan mengenai slope
kemiringan lereng, nilai kemiringan lereng (θ)
mempunyai nilai besaran vektor normal yang
tegak lurus dengan bidang tersebut (Gambar
10) sehingga nilai perkalian vektornya adalah
.    = | |. cos   karakteristik antara data hujan permukaan
  = 1 . R cos 90   dengan data hujan satelit dalam hal luasan
  = ‐ R sin    7).
= ‐ qs | | sin   Penyesuaian data ini penting dan harus
. ……… Fluks kelembaban
Nilai R adalah nilai Fluks kelembaban,
yang merupakan nilai vektor transport
kelembaban spesifik oleh angin, adalah
sudut kemiringan lereng. Angin yang
digunakan adalah angin 850mb, 1000mb, dan
Tabel 7 Perbandingan karakteristik data curah hujan
Parameter TRMM TMPA
Periode data 01/10/2008–28/2/2009
Resolusi waktu Harian/10harian/Bulanan
Resolusi Grid 0.25ox0.25o
Satuan mm
Waktu UTC
permukaan, khusus untuk permukaan karena
nilai qs pada permukaan tidak ada maka hanya
dipergunakan besaran vektor angin saja.
Parameter yang didapatkan adalah
• Parameter R⋅S (850) = - qs 850mb
| | . sin
• Parameter R⋅S (1000) = - qs 1000mb
| |. sin
• Parameter R⋅S (permukaan) = -
. sin
3. Persamaan regresi ganda dengan
modifikasi pada parameter Curah
hujan Satelit
Pada persamaan ini parameter curah hujan
satelit juga ikut mengalami perubahan.
Diasumsikan nilai curah hujan satelit ini
terpengaruh erat oleh kejadian angin yang
berinteraksi dengan kemiringan lereng.
sehingga dibuat parameter modifikasi berupa
hasil perkalian antara nilai curah hujan satelit
dengan Parameter R⋅S parameter yaitu
• Parameter CH Satelit*R⋅S(850)
• Parameter CH Satelit *R⋅S(1000)
• Parameter CH Satelit *R⋅S(permukaan)
IV. HASIL DAN PEMBAHASAN
4.1 Deskripsi Data Curah Hujan
Proses evaluasi data hujan GSMaP dan
TRMM dengan data curah hujan permukaan
diawali dengan proses deskripsi dan
penyesuaian karakteristik data. Perbedaan
data, dan waktu pencatatan data harian (Tabel
dilakukan dengan metode yang sesuai dan
teliti agar diperoleh kesamaan karakteristik
data dalam perbandingan keduanya, sehingga
diperoleh hasil perbandingan yang sesuai.
Periode perbandingan curah hujan harian pada
1 Desember- 28 Februari (DJF) dinilai cukup
efektif untuk mengevaluasi nilai curah hujan
satelit dalam menduga nilai curah hujan
GSMaP Permukaan
01/10/2008–28/2/2009 01/10/2008 – 28/2/2009
Harian Harian
0.25ox0.25o Titik
mm mm
UTC WIB (UTC+7)
  
 

permukaan. Hal ini didasarkan periode ini Data curah hujan dapat dilihat pada Lampiran
merupakan periode musim munson barat, 12, Gambar 11 menunjukkan plot data curah
yaitu periode angin bertiup dari belahan bumi hujan permukaan pada wilayah keseluruhan.
utara (BBU) yang bersifat lembab, panas dan
tidak stabil. Periode munson barat ini untuk Tabel 8 Statistik CH permukaan harian
daerah Pulau Jawa praktis bersamaan dengan periode 1 Desember 2008 – 28
musim hujan (Prawirowardoyo 1996) Februari 2009
StDe Mi H
Sum Max
4.1.1 Data Curah Hujan Stasiun v n H
Wil 1020.2 100.5
Tabel 8, menunjukkan deskripsi curah I
11.34 17.55
7
0
0
72
hujan permukaan harian secara statistik pada Wil 1054.7 105.9
11.72 17.69 0 78
periode DJF. Rata-rata curah hujan tertinggi II 1 4
berada pada wilayah III, hal ini karena Wil 1190.4
13.23 10.97 0 61.46 88
III 3
wilayah III merupakan wilayah pegunungan
dan merupakan wilayah depan angin. Angin
Tabel 9 Perbandingan rata-rata dan simpangan
yang bertiup dari arah laut jawa, akan
baku CH harian, 10-harian , dan
membawa uap air yang cukup besar, sehingga
bulanan pada keseluruhan wilayah
pada wilayah pegunungan angin akan
periode 1 Desember 2008 – 28
mengalami kondensasi secara paksa akibat
Februari 2009
paksaan naik udara karena topografi
Keseluruhan
pegunungan. Peristiwa ini mengakibatkan Wilayah
Harian 10-Harian Bulanan
lebih seringnya kejadian hujan pada wilayah x 11.701 117.306 351.022
III dibanding dengan wilayah lainnya. CH Perm
Tabel 9 dapat menggambarkan sebaran StDev 13.349 93.352 142.189
data curah hujan, ditunjukkan dengan CH x 8.281 88.581 218.574
perbandingan antara rata-rata curah hujan GSMaP StDev 12.001 87.579 138.594
dengan nilai simpangan baku data tersebut,
x
pada curah hujan permukaan terlihat sebaran CH 10.444 107.124 309.053
skala harian sangat bervariasi, tetapi semakin TRMM StDev 13.854 67.013 115.187
diakumulasikan menjadi 10 harian dan
bulanan variasi data akan semakin berkurang.

Gambar 11 Plot data curah hujan permukaan

4.1.2 Data Curah Hujan Satelit Tabel 9 menunjukkan data karakteristik

4.1.2.1 Data Curah Hujan GSMaP curah hujan GSMaP selama Desember 2008-
Februari 2009, terlihat jumlah kejadian hujan
Tabel 10 Statistik curah hujan GSMaP harian tercatat terbanyak pada wilayah III, akan
periode 1 Desember 2008 – 28 tetapi rata-rata dan jumlah akumulasi curah
Februari 2009 hujan terbesar berada pada wilayah I. Fakta
CH
StDe
M ini berbeda dengan karakteristik curah hujan
GSM Sum i Max HH permukaan yang rata-rata dan jumlahnya
v
aP n
terbesar berada pada wilayah III.
Wil.I 8.91 16.15 801.73 0 101.43 66
Tabel 10 menunjukkan pada harian dan 10
Wil.I harian nilai rata-rata lebih kecil daripada
7.58 12.88 682.31 0 59.63 65
I simpangan baku, berarti dalam skala harian
Wil.I
II
8.35 13.42 751.75 0 84.07 72 dan 10 harian curah hujan GSMaP sebarannya
sangat bervariasi.

 
 

Gambar 12 Plot data curah hujan GSMaP
Gambar 13 Plot data curah hujan TRMM
4.1.2.2 Data Curah Hujan TRMM TMPA
Tabel 11 Statistik curah hujan TRMM harian
periode 1 Desember 2008 – 28 Februari 2009
CH StDe
M
Sum I Max
TRMM v H
n
19.2 113.2
Wil.I 10.43 938.91 0 56
7 8
Wil.II 9.38 14.8 844.47 0 88.02
Wil.II 15.8 1036.5
11.52 0 66.03
I 8 9
Tabel 9 menunjukkan akumulasi curah
hujan dan rataan curah hujan TRMM terbesar
terdapat pada wilayah III, hal ini sama dengan
karakteristik curah hujan permukaan.
Karakterisitik sebaran data CH TRMM
terlihat pada Tabel 11, curah hujan harian
TRMM memiliki variasi data yang besar,
semakin diakumulasi menjadi 10-harian dan
bulanan variasi datanya semakin kecil. Plot
curah hujan dapat terlihat pada Gambar 13
4.2 Perbandingan Data Hujan Satelit
dengan Data Hujan Permukaan
Perbandingan dibagi dalam tiga variasi
temporal dan empat wilayah kajian yaitu
harian, 10-harian, dan bulanan pada wilayah
pantai, daratan, pegunungan dan keseluruhan.
Periode harian dan 10-harian digunakan data
dari 1 Desember 2008 – 28 Februari 2009,
sedangkan untuk bulanan digunakan data dari
Oktober 2008 – Februari 2009.
Besar curah hujan yang dikeluarkan oleh
satelit merupakan pendugaan curah hujan
secara tidak langsung dengan sensor, maka
digunakan istilah overestimate jika besaran
hujan keluaran dari satelit melebihi besar
hujan permukaan, dan underestimate jika
besar hujan satelit kurang dari besar curah
H hujan permukaan.
4.2.1Perbandingan Menurut Variasi
Temporal Curah Hujan Pada Setiap
64 Wilayah Kajian
4.2.1.1 Wilayah I – Wilayah Pantai
69 Pada Gambar 14(1) grafik curah hujan harian
GSMaP terlihat sebaran titik sangat menyebar
baik diatas maupun dibawah garis tengah,
sebaran grafik yang menyebar ini
menunjukkan pola hubungan kedua data yang
tidak mirip, secara statistika untuk melihat
pola hubungan ini dapat menggunakan
korelasi yang terlihat pada Tabel 12, korelasi
yang terbentuk hanya 0.16, yang
menunjukkan hanya 16% dari pola curah
hujan permukaan yang mampu diikuti oleh
GSMaP. Perbandingan curah hujan harian
akan terlihat jelas pada Gambar 15(1), terlihat
fluktuasi curah hujan GSMaP tidak dapat
mengikuti curah hujan permukaan, bahkan
pada periode curah hujan ekstrim 12 dan 13
Januari 2009 curah hujan yang dicatat oleh
GSMaP sangat dibawah curah hujan
permukaan. Pada Gambar 14(1) grafik curah
hujan harian GSMaP terlihat sebaran titik
sangat menyebar baik diatas maupun dibawah
garis tengah, sebaran grafik yang menyebar
ini menunjukkan pola hubungan kedua data
yang tidak mirip, secara statistika untuk
melihat pola hubungan ini dapat
menggunakan korelasi yang terlihat pada
Tabel 12, korelasi yang terbentuk hanya 0.16,

A.1 B.1
A.2 B.2
Gambar 14 Perbandingan antara curah hujan Permukaan dengan curah hujan GSMaP (1) dan
TRMM 3B42RT (2) secara harian (A), 10harian (B), dan Bulanan (C) pada wilayah I
yang menunjukkan hanya 16% dari pola curah
hujan permukaan yang mampu diikuti oleh
GSMaP. Perbandingan curah hujan harian
akan terlihat jelas pada Gambar 15(1), terlihat
fluktuasi curah hujan GSMaP tidak dapat
mengikuti curah hujan permukaan, bahkan
pada periode curah hujan ekstrim 12 dan 13
Januari 2009 curah hujan yang dicatat oleh
GSMaP sangat dibawah curah hujan
permukaan. Fakta ini diperkuat oleh uji Mann
Whitney (Tabel 13) yang menunjukkan secara
rata-rata curah hujan GSMaP harian berbeda
nyata dengan curah hujan permukaan. Hal
yang sama juga terjadi pada curah hujan
harian TRMM, dengan melihat Gambar 14(2),
pola sebaran grafik menyebar dan korelasi
hanya 0.55, didukung oleh uji Mann Whitney
yang menyebutkan bahwa secara rataan nilai
rataan TRMM harian wilayah I berbeda nyata
dengan rataan curah hujan permukaan.
TRMM mampu menduga dengan baik
kejadian hujan ekstrim tanggal 13 Januari
2009, akan tetapi pada tanggal 12 Januari
2009 TRMM besarnya berada jauh dibawah
besar curah hujan permukaan.
Curah hujan harian GSMaP
diakumulasikan menjadi 10-harian plot
grafiknya pada Gambar 14(B.1) juga masih
tersebar, dengan korelasi justru bernilai
Tabel 12 Perbandingan CH GSMaP dan TRMM dengan CH permukaan pada wilayah I
Harian 10-harian
WIL I
GSMaP TRMM GSMaP
Korelasi 0.16 0.55
MAE 12.92 10.99
RMSE 21.90 17.45
C.1
C.2
negatif (-0.03), yang menunjukkan bahwa
pola curah hujan GSMaP 10-harian
berkebalikan dengan pola curah hujan
permukaan Akan tetapi jika curah hujan
tersebut kembali diakumulasikan menjadi
curah hujan bulanan, keseluruhan sebaran titik
ada pada bagian atas garis dengan korelasi
mencapai 0.86, hal ini menunjukkan curah
hujan GSMaP bulanan pada wilauah I dapat
mengikuti pola curah hujan permukaan, tetapi
besarnya selalu lebih kecil dari pada curah
hujan permukaan yang terukur.
Curah hujan TRMM jika diakumulasikan
menjadi 10 harian mempunyai korelasi yang
sangat baik dengan curah hujan permukaan,
mencapai 0.85, dan jika diakumulasikan
kembali (menggunakan data TRMM 3B43
V6) juga mempunya korelasi 0.81. Nilai
korelasi dengan curah hujan permukaan yang
mencapai lebih dari 0.8 ini juga didukung
dengan sebaran grafik yang cenderung
mendekati garis tengah, sehingga
menunjukkan nilainnya akurat. Keakuratan ini
didukung oleh uji Mann Whitney yang
menyebutkan bahwa antara curah hujan
TRMM 10 harian dan curah hujan TRMM
bulanan dengan curah hujan permukaan tidak
berbeda nyata secara rataan.
Bulanan
TRMM GSMaP TRMM
-0.03 0.85 0.86 0.81
81.73 31.80 132.97 80.52
100.53 41.03 148.75 101.77
 

T
Tabel 13 Uji Mann
M Whitneyy antara data cuurah hujan GSM
MaP dan TRM
MM dengan data curah
hujaan permukaan wilayah
w I
Uji Mann
n Whitney
Data Wilayaah I
P-Val Deskipsi
CH GSMaP v CH Permukaaan 0.0271 **
Harian CH TRMM v CH Permukaaan 0.0355 **
CH GSMaP v CH Permukaaan 0.5365 *
10-harian CH TRMM v CH Permukaaan 0.5365 *
CH GSMaP v CH Permukaaan 0.4034 *
Bulanan CH TRMM v CH Permukaaan 0.8345 *
Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

Gambar 15 Pllot perbandingaan antara curahh hujan harian Permukaan deengan curah hu
ujan GSMaP
dan TRRMM pada wilaayah I

44.2.1.2 Wilayah II – Wilayaah Dataran korellasi menunjukkan 0.61, semakin

Sebaran daata GSMaP harrian, 10 harian dan diakuumulasi maka korelasi ini seemakin baik.
b
bulanan pada wilayah
w II ini sangat menyeebar Korelasi terbaik kketika curah huujan TRMM
s
seperti yang ditunjukan
d olehh Gambar 16 (1), diakuumulasikan meenjadi bulanann korelasinya
h
hal ini juga terlihat dari korelasi anttara menccapai 0.98. Haasil korelasi ini i didukung
G
GSMaP dan curah
c hujan peermukaan baikk itu juga oleh hasil uji Mann Whitney(Tabel 15)
h
harian, 10 harrian, dan bulaanan sangat kkecil yang menyebutkann bahwa padaa wilayah II,
(
(lihat Tabel 14 4). Meskipun Uji
U Mann Whittney secarra harian, 10 harian dan bulanan,
b nilai
(
(Tabel 15), meenunjukkan currah hujan GSM MaP rataann data curah hhujan TRMM tidak
t berbeda
10 harian dan n bulanan tidaak berbeda nyyata nyataa dengan currah hujan perrmukaan.Saat
d
dengan curah hujan
h permukaaan secara rataaan, kejaddian hujan eksttrim (lihat Gammbar 17) pada
a
akan tetapi karena
k pola sebaran keduaanya tangggal 13 dan 14 jjanuari 2009, GSMaP
G tidak
b
berbeda, makaa data GSMaaP 10 harian dan mammpu menduga besarnya curah c hujan
b
bulanan untuuk wilayah II I belum daapat dengan baik, bahkaan GSMaP han nya mencatat
d
digunakan, seperti
s juga dengan ddata 2.88 mm, saat curah hujan permukaan
h
hariannya. menccatat 105.94 ((tanggal 14 Jaanuari 2009).
Hal sebalikknya terjadi paada perbandinngan TRMMM mampu meencatat curah hujan h ekstrim
a
antara curah hujan TRMM M dengan cuurah ini dengan
d cukup baik yaitu seebesar 88.02
h
hujan Permukkaan , dalam skala
s harian nnilai mm.
 

A.1 B.1 C.1

A.2 B.2 C.2

Gambar 16 Perbandingann antara curah hhujan permukaaan dengan curaah hujan GSM
MaP (1) dan
TRMM (2) secara harian ((A), 10harian (B),
( dan Bulanaan (C) pada wiilayah II.

T
Tabel 14 Perbbandingan CH GSMaP dan T
TRMM dengan CH permukaaan wilayah II
Harian 100-harian Bulanan n
WILL II
GSMaP
P TRMM
M GSMaP TRMM GSMaP TR
RMM
Koreelasi 0.16 0.61 0.20
0 0.77 0.59 0..98
MAAE 11.71 9.06 88.883 50.96 165.80 52
2.04
RMSE 20.51 14.722 123.6
61 64.04 195.77 62
2.64

T
Tabel 15 Uji Mann
M Whitneyy CH GSMaP dan
d TRMM deengan CH perm
mukaan wilayahhII
Uji Mann
n Whitney
Data Wilayah
h II
P-Val Deskipsi
CH GSMaP v CH Permukaaan 0.0002 ***
Harian
CH TRMM v CH Permukaaan 0.0660 *
CH GSMaP v CH Permukaaan 0.1577 * 
10-harian
CH TRMM v CH Permukaaan 0.6588 * 
CH GSMaP v CH Permukaaan 0.0601 * 
Bulanan
CH TRMM v CH Permukaaan 0.4034 *
Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

G
Gambar 17 Plot perbandingaan antara curahh hujan harian Permukaan
P deengan curah hu
ujan GSMaP
daan TRMM padaa wilayah II
  
 

4.2.1.3 Wilayah III – Wilayah Pegunungan
Pada wilayah III ini terlihat dari Gambar
18, baik GSMaP maupun TRMM dalam skala
harian dan 10 harian sebaran titiknya
menyebar, yang menunjukkan bahwa banyak
terdapat overestimate dan underestimate curah
hujan GSMaP dan TRMM terhadap pada
wilayah ini. Sebaran grafik yang menyebar ini
juga terlihat dari korelasi antara curah hujan
GSMaP dan TRMM dengan curah hujan
permukaan (Tabel 16) yang bernilai kecil
(<0.3). Pada periode curah hujan bulanan
untuk GSMaP pada Gambar 18 telihat jelas
sebarannya keseluruhan nilainnya berada
dibawah curah hujan permukaan bulanan,
sedangkan pada TRMM yang menggunakan
dataset 3B43.V6 sebagian besar titik-titik
berada dekat dengan garis tengah sehingga
dalam skala bulanan TRMM mampu menduga
curah hujan permukaan untuk wilayah
pegunungan dengan korelasi dengan curah
hujan permukaan sebesar 0.60. Uji Mann
Whitney (Tabel 17) juga menunjukkan bahwa
curah hujan bulanan TRMM pada wilayah III
tidak berbeda nyata rataannya dengan curah
hujan permukaan
Gambar 19 menunjukkan plot
perbandingan antara GSMaP dan TRMM
dengan curah hujan permukaan, jika melihat
nilai ekstrim curah hujan permukaan, GSMaP
tidak dapat menduga nilai ekstrim tersebut,
TRMM mampu menduga nilai ekstrim
tersebut dengan baik. Akan tetapi ada banyak
kejadian overestimate pada TRMM, sehingga
membuat pada wilayah III ini baik GSMaP
mauputn TRMM polanya secara harian tidak
ada yang mampu mengikuti pola sebaran
curah hujan permukaan.

A.1 B.1 C.1

A.2 B.2 C.2

Gambar 18 Perbandingan antara curah hujan permukaan dengan curah hujan GSMaP (1) dan
TRMM (2) secara harian (A), 10harian (B), dan Bulanan (C) pada wilayah III.

Tabel 16 Perbandingan data curah hujan GSMaP dan TRMM dengan data curah hujan
permukaan secara statistik pada wilayah III
Harian 10-harian Bulanan
WIL III
GSMaP TRMM GSMaP TRMM GSMaP TRMM
Korelasi 0.13 0.32 0.11 0.20 0.37 0.60
MAE 12.28 11.21 97.77 81.03 207.46 97.31
RMSE 16.82 16.20 123.97 91.51 235.93 101.30

 
 
 

T
Tabel 17 Uji Mann
M Whitneyy antara CH GS
SMaP dan TRM
MM dengan C permukaan wiilayah III
Uji Mannn Whitney
Data Wilayahh III
P-Val Deskipsi
CH GSMaP v CH Permukaaan 0.0000 *** 
Harian
CH TRMM v CH Permukaaan 0.0014 *** 
CH GSMaP v CH Permukaaan 0.0273 *** 
10-harian
CH TRMM v CH Permukaaan 1.0000 *
CH GSMaP v CH Permukaaan 0.0367 ***
Bulanan
CH TRMM v CH Permukaaan 0.4034 *
Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

G
Gambar 19 Plot perbandingaan antara curahh hujan harian Permukaan
P deengan curah huujan GSMaP
daan TRMM padaa wilayah III

44.2.1.4 Wilayah Keseluruhan

Perbandinggan selanjutnyya adalah ppada pada Tabel 19, yyang menunju ukkan bahwa
w
wilayah keseluuruhan, dari Gambar
G 20 terliihat pada skala hariann, 10 harian dan bulanan
p
pada perbanddingan GSMaP P dengan cuurah wilayyah keseluruhaan ini, nilai raataan TRMM
h
hujan permukkaan harian dan d 10harian dan tidakk berbeda nyataa dengan nilai rataan curah
b
bulanan sebaraan grafik meny yebar jauh, hall ini hujann Permukaan . Fakta ini menunjukkan
m
d
ditunjukan jug
ga oleh korelasi antara keduaanya pada curah hujan T TRMM, jika wilayah
w kajian
y
yang sangat reendah yaitu 0.221, 0.15 dan 00.40 semaakin diperluas dengan benttuk topografi
(
(Tabel 18). yang beragam, hhasil perbandingan sangat
Hal sebaaliknya justruu terjadi ppada baik.
p
perbandingan antara curah hujan
h TRMM dan Nilai
N ekstrim cuurah hujan perm mukaan pada
c
curah hujan peermukaan padaa wilayah ini ppada wilayyah keseluruhaan ini tidak dapat
d diduga
s
skala harian, 10 harian daan bulanan. Saat S dengan baik oleh GGSMaP, seperti yang terlihat
h
harian Gambarr 20 terlihat sebbaran berada ppada pada Gambar 21, seedangkan TRM MM pada saat
s
sekitar garis tengah, dittunjukan denngan curahh hujan ekstrimm tanggal 13 januari 2009
k
korelasi sebessar 0.63, semakin diakumuulasi dan 14 januari 20009 mampu meendekati nilai
s
sebarannya semmakin mendekkati garis tenggah, curahh hujan permuukaan. GSMaP P besar curah
d
dengan korelaasi terbaik paada perbandinngan hujannnya.
b
bulanan yaitu 0.96.
0 hasil koreelasi yang baikk ini
j
juga didukung g dengan Ujii Mann Whittney
 

A.1 B.1 C.1

A.2 B.2 C.2

G
Gambar 20 Perrbandingan anttara CH permuukaan dengan CH C GSMaP (1)) dan TRMM (2)( secara
haarian (A), 10haarian (B), dan B
Bulanan (C) paada wilayah Keeseluruhan

T
Tabel 18 Perrbandingan CHH GSMaP dan TRMM
T dengann CH permukaaan secara statisstik pada
wilaayah Keseluruh
han
Harian 10-harian Buulanan
KESELURU UHAN
GSMMaP TRRMM G
GSMaP TRM MM GSMaP P TRMM
Korelassi 0.21 0.63 0.15 0.777 0.40 0.96
MAE 10.49 7.92 77.05 42.74 149.70 42.82
RMSEE 16.24 111.72 1
115.19 57.27 187.19 49.63

T
Tabel 19 Uji Mann
M Whitneyy antara CH GS
SMaP dan TRM
MM dengan CH
H permukaan wilayah
w
Keseluruhan
Data Wilayaah Uji Mannn Whitney
Keseluruhaan P-Val Deskipsi
CH GSMaP v CH Permukaaan 0.0002 ***
Harian
CH TRMM v CH Permukaaan 0.0772 *
CH GSMaP v CH Permukaaan 0.0934 *
10-harian
CH TRMM v CH Permukaaan 1.0000 *
CH GSMaP v CH Permukaaan 0.1437 *
Bulanan
CH TRMM v CH Permukaaan 0.8345 *
Keet : * Tidak berrbeda nyata, *** Berbeda Nyaata, *** Sangatt berbeda Nyataa

Gambar 21 P
Plot perbandinggan antara CH harian Permukkaan dengan C
CH GSMaP dan TRMM
p
pada wilayah Keseluruhan
K
 
 

4
4.2.2 Perband
dingan menuru
ut variasi wilaayah kajian paada setiap varriasi waktu

A.1 B.1 C.1

A.2 B.2 C.2

G
Gambar 22 Peerbandingan sttatistik korelasii (1) dan param
meter galatnya (2) antara GSMMaP dan
TR
RMM dengan curah
c hujan peermukaan secarra harian (A), 10harian
1 (B), Bulanan
B (C)

44.2.2.1 Data harian

h keselluruhan juga masih memiliki nilai
Gambar 222 menunjukkann bahwa koreelasi korellasi yang renddah (Gambar 22),
2 sehingga
T
TRMM dengan n curah hujan permukaan sellalu pada skala 10 hariaan pun curah hujan
h GSMaP
l
lebih baik darripada korelasii GSMaP denngan ini belum dapat diterapkan, kareena pola data
c
curah hujan permukaan padda setiap wilayyah, tidakk sesuai dengann curah hujan permukaan.
p
b
begitupun parrameter galattnya (MAE dan Curah
C hujan TRRMM semakin n diakumulasi
R
RMSE) nilainnnya selalu lebihh rendah dari nnilai korellasi akan semakin meningkatt seperti yang
g
galat GSMaP dengand curah hujan
h permukaaan. ditunj
njukkan pada Gambar
G 22 (BB). Pada data
C
Curah hujan harian GSMaaP, untuk settiap 10 harian
h wilayahh I dan II, nilai
n korelasi
w
wilayah kajian, baik koorelasi, mauppun TRM MM dengan curah hujan permukaan
p
parameter galaatnya menunjuukkan hasil yyang menu unjukkan hasil yang sangat baik.
b Hasil uji
b
buruk, sehingg ga untuk curah hujan GSMaP P ini Mann n Whitney mennunjukkan juga bahwa data
d
dalam skala haarian tidak dapaat digunakan TRM MM pada wilayyah tersebut tiidak berbeda
Pada curahh hujan TRMM M untuk wilayaah II nyataa dengan ccurah hujan permukaan,
d wilayah Keseluruhan
dan K poola hujan TRM MM sedanngkan untuk w wilayah III koorelasi antara
m
mampu men nyamai polaa curah huujan TRM MM dengan currah hujan perm mukaan yang
p
permukaan lebbih dari 60%, ditambah denngan kecil (<0.20) menuunjukkan dataa curah hujan
u Mann Whiitney juga terbbukti bahwa ppada
uji TRM MM pada willayah pegunuungan belum
k
kedua daerah ini TRMM seecara rataan tidak dapatt mengikuti pola curah hujan permukaan
b
berbeda nyata dengan curah hujan
h permukaaan,
s
sehingga dalam m dua wilayaah ini data cuurah 4.2.2.3 Data bulan nan
h
hujan TRMM dapat diperguunakan. Selainn itu Data
D GSMaP bulanan, Niilai korelasi
p
pada wilayah keseluruhan
k m
mempunyai akuurasi antarra curah hujann GSMaP dan curah hujan
s
sama seperti wilayah dataran
d sehinngga perm
mukaan terbaikk terdapat padda wilayah I
w
walaupun toppografi beraggam dan luaasan dan II,
I akan tetapi jjumlah curah hujan
h bulanan
b
bertambah justru perbanding gan menunjukkkan selaluu lebih kecil daari pada jumlahh curah hujan
h
hasil yang baaik. Pada Gam mbar 22 terliihat perm
mukaan pada settiap wilayah.
b
bahwa pendug gaan curah huujan oleh TRM MM Data
D curah hujan bulannan TRMM
d
dan GSMaP secara hariaan pada wilaayah meng ggunakan dataaset yang beerbeda, yaitu
p
pegunungan mempunyai
m p
pola yang tidak 3B433.V6, dataset inni merupakan dataset yang
m
menyerupai cuurah hujan permmukaan, sehinngga sudah h terkoreksi dengan data curah hujan
d
dalan skala harrian untuk curaah hujan GSM MaP perm
mukaan milik GPCC, sehhingga hasil
m
maupun TRMM M tidak dapat diterapkan
d korellasi dengan curah hujan permukaan
nilainnnya selalu ddiatas 0.60. Hasil
H terbaik
44.2.2.2 Data 10-harian perbaandingan denggan curah hujan n permukaan
Curah hujan GSMaP yang y diakumuulasi pada wilayah II dan keseluruhhan, dengan
m
menjadi 10 harrian, pada wilaayah I, II, III, dan korellasi hampir m mendekati sem mpurna (0.98

dan 0.96). TRMM dalam skala bulanan sudah
dapat diterapkan pada semua wilayah.
4.3 Identifikasi Faktor Penyebab Galat
Hasil perbandingan menunjukkan adanya
galat yang bervariasi baik overestimate
maupun underestimate, untuk itu perlu
dilakukan indentifikasi penyebab galat ini.
GSMaP dan TRMM TMPA adalah pendugaan
curah hujan dengan menggunakan metode
kombinasi, metode kombinasi ini merupakan
gabungan antara data dari sensor gelombang
mikro sebagai data utama dan sebagai data
tambahan digunakan sensor inframerah,
karena itulah identifikasi lebih diprioritaskan
pada cara kerja sensor gelombang mikro
dalam menduga curah hujan.
Pengukuran curah hujan secara tidak
langsung yang dilakukan dengan sensor
gelombang mikro ini sangat bergantung pada
variabilitas emisi permukaan, penelitian
dengan menggunakan sensor SSM/I
menyebutkan bahwa pengukuran
menggunakan gelombang mikro akurasinya
setingkat dengan akurasi radar untuk wilayah
lautan, akan tetapi akurasi berkurang untuk
wilayah daratan karena adanya variasi
emisivitas dari daratan (Spencer et al. 1989).
Variabilitas emisi permukaan yang tinggi
membuat sensor gelombang mikro kesulitan
membedakan suhu kecerahan butir hujan
dengan suhu kecerahan permukaan.
Wilayah I, kesalahan pendugaan ini
dimungkinkan jika melihat cara kerja sensor
gelombang mikro yang berbeda pada kondisi
lautan dan daratan. Pada wilayah lautan
penggunaan gelombang mikro akan
didapatkan jumlah curah hujan yang akurat
karena perbedaan suhu kecerahan antara butir
hujan (hydrometeor) dengan permukaan
(lautan) telihat sangat berbeda pada sensor,
sedangkan pada wilayah daratan, karena
antara butir hujan daratan terlihat sama, maka
diperlukan suatu model awan untuk
memodelkan jumlah scatering yang terjadi.
Wilayah pantai memakai algoritma tersendiri
karena dengan komposisi lautan dan daratan
yang berimbang membuat nilai estimasi oleh
satelit menjadi lebih buruk dari pada wilayah
lautan saja atau daratan saja, karena
kemampuan akurasi tinggi pada wilayah
lautan akan langung tidak akurat pada wilayah
daratan jika memakai metode pengukuran
yang sama.
Wilayah III adalah wilayah pegunungan
terlihat nilai korelasi yang sangat kecil
dibanding wilayah kajian lainnya, hal ini
menunjukkan hubungan yang buruk antara
pendugaan oleh sensor gelombang mikro
dengan curah hujan permukaan. Beberapa
faktor yang menjadi penyebab hal ini antara
lain Variabilitas dari emisi permukaan yang
tinggi pada wilayah pegunungan (Porcu et al.
2003) dan pengaruh proses hujan orografik.
Emisi permukaan daratan yang diterima
oleh sensor gelombang mikro pada satelit
adalah hasil interaksi yang kompleks antara
parameter-parameter permukaan sehingga
nilainnya akan sangat bervariasi dan sangat
sulit diprediksi. Emisi gelombang mikro pada
wilayah daratan dikeluarkan oleh parameter-
parameter seperti tutupan lahan, kelembaban
tanah dan kekasaran permukaan (Prigent et al.
2006). Tutupan lahan dan dan kekasaran
permukaan yang sangat bervariasi pada
wilayah III dibandingkan dengan wilayah I
dan II membuat variabilitas permukaan pada
wilayah ini sangat beragam, variabilitas emisi
permukaan yang tinggi membuat sensor
gelombang mikro bias dalam membedakan
suhu kecerahan butir hujan dengan suhu
kecerahan permukaan.
Wilayah III dari peta ketinggian ASTER
G-DEM yang mempunyai resolusi 30m
diperoleh informasi nilai ketinggian
maksimum 2091 m dan minimum sebesar 91
m, dari peta terebut juga dilakukan
pengolahan dengan menggunakan software
ArcGIS untuk membuat peta kemiringan
lereng. Peta kemiringan lereng yang terbentuk
(Gambar 23) memberikan informasi
kemiringan lereng maksimum 61 derajat
dengan rata-rata kemiringan lereng sebesar
8.96 Kemiringan lereng ini mengakibatkan
hujan orografik akan berpengaruh besar
terhadap kejadian hujan di wilayah ini.
Fenomena ini hujan orografik ini ditandai
dengan kejadiaan hujan yang terjadi pada sore
hari, hasil penelitian menunjukkan wilayah
Kota Bogor yang berada di kaki Gunung
Salak 75% hujan nya terjadi antara pukul
12.00 dan 20.00, sedangkan kurang dari 10%
nya terjadi antara pukul 04.00 dan 12.00
(Oldeman dan Suardi 1976).
Pada wilayah pegunungan, udara yang
dipaksa naik melewati wilayah pegunungan
akan mengakibatkan peningkatan jumlah
curah hujan dan peningkatan waktu lama
hujan pada wilayah tersebut. Tipe hujan
seperti ini akan mengakat/memompa udara
yang hampir jenuh kedalam lapisan jenuh,
sehingga dapat menyebabkan pembentukan
“warm rain” pada ketinggian yang relatif
rendah (Maddox et al.1978; Caracena et
al.1979; Reinking and Boatman 1986; J. A.
Smith et al.1996; Petersen et al. 1999; J. A.

Smith et al. 2000; Kelsch 2001 dalam
Committee to Assess NEXRAD Flash Flood
2005). “Warm rain” atau disebut dengan
hujan hangat adalah hujan tanpa menimbulkan
es-es pada bagian puncaknya .
Gambar 23 Kemiringan lereng wilayah III
Hasil penelitian menggunakan sensor
Radar TRMM selama 9 tahun pada wilayah
20LU – 20LS yang dilakukan oleh Liu dan
Zipser menunjukkan bahwa kejadian hujan
dengan suhu puncak awan diatas 0oC
memberikan kontribusi 20% pada wilayah
lautan tropis, sedangkan pada wilayah daratan
tropis hanya 7.5% (Liu dan Zipser 2008).
Akan tetapi jika mencermati peta hasil
penelitan tersebut (Gambar 24) menunjukkan
bahwa pada wilayah Indonesia khususnya
wilayah daerah kajian fenomena kejadian
hujan hangat ini sering terjadi. Gambar 24
menunjukkan intensitas kejadian hujan
hangat rata-rata bulanan yang terjadi secara
global, Gambar 24 ini merupakan hasil
analisis kejadian hujan yang mempunyai suhu
puncak awan diatas 0oC, yang berarti tidak
ada pembentukan es yang terjadi. Tidak
adanya pembentukan es pada hujan hangat ini
dapat menyebabkan kesalahan pendugaan
curah hujan dengan gelombang mikro,
Gambar 24 Wilayah Terjadinya hujan hangat
dikarenakan metode pengukuran curah hujan
dengan gelombang mikro pada wilayah
daratan memakai metode scattering based,
dimana dibuat model asumsi curah hujan
dengan bagian atas terdiri dari lapisan- lapisan
es.
Lapisan es ini akan melakukan hamburan
terhadap emisi butir hujan, sehingga nilai suhu
kecerahan akan terlihat lebih rendah pada
sensor dan mampu dibedakan dengan suhu
kecerahan daratan. Pembentukan awan hujan
tanpa disertai partikel es diatasnya membuat
underestimate jumlah hujan pada wilayah
kejadian (Kummerow et al. 2001 dalam Liu
dan E Zipser 2008).
4.4 Persamaan Koreksi Data GSMaP dan
TRMM
Hasil Identifikasi menunjukkan penyebab
perbedaan selisih curah hujan stasiun dengan
curah hujan satelit adalah variabilitas nilai
emisi permukaan dan fenomena hujan hangat.
Persamaan koreksi akan diberikan pada data
curah hujan GSMaP dan TRMM yang
berdasarkan evaluasi tidak sesuai dengan
curah hujan permukaan. Data curah hujan
GSMaP persamaan koreksi akan diterapkan
pada wilayah I, II, III dan keseluruhan,
sedangkan untuk TRMM persamaan koreksi
akan diterapkan pada wilayah III.
4.4.1 Persamaan Koreksi GSMaP
Korelasi antara curah hujan GSMaP harian
dan 10-harian dengan curah hujan permukaan
menunjukkan hubungan nilai korelasi yang
sangat rendah. Hubungan korelasi harian dan
10-harian dengan curah hujan permukaan
yang sangat kecil ini menyebabkan hasil
koreksi harian dan 10-harian juga belum dapat
mengikuti curah hujan permukaan.
(sumber : Liu dan Zipser 2008)
 

Data bulanan
D n GSMaP mempunyai
m nnilai curahh hujan GSM MaP bulanan wilayah
w I ini
k
korelasi baik dengan
d curah hujan permukkaan adalaah Suhu perm mukaan dan Kelembaban
t
tetapi karena sebagian besaar datanya sellalu Spesiifik pada kettinggian 850m mb. Nilai R2
l
lebih rendah daripada nilai curah huujan yang didapat 99% (Tabel 20), menunjukkan
m
p
permukaan, m
maka data bu
ulanan ini peerlu persaamaan ini mampu
m mengkkoreksi nilai
d
dikoreksi. curahh hujan GSMaaP bulanan deengan sangat
baik. Plot grafik ((Gambar 25) terlihat
t jelas,
44.4.1.1 Wilayaah I titik-ttitik menyebarr tepat pada garis
g tengah,
Koreksi dilakukan
d denggan memberikan yang menunjukkan data koreksi sesuai
s dengan
t
tiga perlakuann pada parameeter NOAA yyang data curah
c hujan peermukaan.
d
dipergunakan, hasil regresi stepwise ternyyata
m
memberikan p
persamaan keluuaran yang saama Tabel 20 Perbandiingan CH Permukaan
p
pada ketiga perrlakuan. dengan ddata GSMaP daan persamaan
koreksi wilayah
w I
CHGSMaP*= 5413 + 0.7644*CHGSMaP – Persamaan
P
241*TT(permukaan) + 899.3*qs(850) bandingan
Perb Awal
Koreksi
R2 - 99%
K : CHGSMaP** : CH GSMaP
Ket P Bulanan Koreeksi
MAEE 1132.973 1.045
T(permukaann) : Suhu Udaraa Permukaan
qs(850)) : Kelembabann Spesifik 850m
mb RMS
SE 1148.746 1.366

Hasil regrresi stepwise terlihat bahhwa

pparameter yanng berpengaruuh untuk koreeksi

Gambarr 25 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum
koreksi (kiri) dan dengan peersamaan korekksi (kanan) padda wilayah I

44.4.1.2 Wilayaah II nilai R2 hanya 34.990% (Tabel 21). Plot grafik

Hasil reg gresi stepwise memberikan (Gammbar 26) menunnjukkan persammaan koreksi
p
persamaan kelluaran yang sama
s pada kettiga mammpu mendekatkkan sebaran tittik-titik yang
p
perlakuan. Perrsamaan yang terbentuk
t adalaah awalnnya selalu beerada diatas garis tengah
(undeerestimate cuurah hujan permukaan)
CHGSMaPP* = 221 + 0.659*CHGSMaP menjadi mendekati garis tengah.

K : CHGSMaP** : CH GSMaP
Ket P Bulanan Koreeksi Tabel 21 Perbandiingan data CH
H Permukaan
dengan GSMaP dann persamaan
Hasil kelluaran regressi stepwise ini koreksi wilayah
w II
menunjukan bahwa tidak ada parameeter
m P
Persamaan
bandingan
Perb Awal
k
koreksi dari NOAA
N yang mampu menjjadi Koreksi
p
parameter koreeksi pada wilaayah II, sehinngga R2 - 34.90%
y
yang didapat hanya
h persamaan koreksi reggresi MAE E 1165.796 90.515
d
dengan curah hujan GSMaP P saja. Persammaan RMS SE 1195.766 97.322
i mampu meengkoreksi nilaai galat (MAE dan
ini
R
RMSE) curah hujan GSMaP P awal, meskippun
 

Gambarr 26 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum
koreksi (kiri) dan dengan peersamaan korekksi (kanan) padda wilayah II

44.4.1.3 Wilayaah III GSMMaP dengan curah hujan permukaan

Hasil reg gresi stepwise memberikan (Tabeel 22). Plot grafik (Gamb bar 27) juga
p
persamaan kelluaran yang sama
s pada kettiga dapatt terlihat bahhwa hasil korreksi mampu
p
perlakuan. Perrsamaan yang terbentuk
t adalaah meraapatkan sebarann grafik di garis tengah.

CHGSMaPP* = 321 + 0.4003*CHGSMaP Tabel 22 Perbandiingan data CH

H Permukaan
dengan GSMaP dann persamaan
K : CHGSMaP** : CH GSMaP
Ket P Bulanan Koreeksi koreksi wilayah
w III
P
Persamaan
Perbandingan
P Awal
Sama seperrti wilayah II, pada wilayahh III Koreksi
rregresi stepwisse tidak mengeeluarkan keluaaran R2 - 13.80%
p
parameter NOAA. Menunjukkkan bahwa ppada
w
wilayah III ini parameteer NOAA tidak MAE
M 207.456 88.587
b
berpengaruh un
ntuk koreksi daata GSMaP inii. RMSE
R 235.930 96.579
persamaan ini mampu mengurangi
m leebih
d
dari 50% nillai galat antaara curah huujan

Gambarr 27 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum
koreksi (kiri) dan
d dengan perrsamaan korek ksi (kanan) padda wilayah III

44.4.1.4 Wilayaah Keseluruhaan dari curah hujann Permukaan. Persamaan

Hasil reg gresi stepwise memberikan korekksi mampu meemberikan nilaii galat (MAE
p
persamaan kelluaran yang sama
s pada kettiga dan RMSE)
R yang leebih kecil darippada GSMaP
p
perlakuan. Perrsamaan yang terbentuk
t adalaah awal,, dan ditunjuukkan dengan grafik plot
(Gammbar 28) yangg sebarannya merapat ke
CHGSM
MaP* = 240 + 0.4
440* CHGSMaP garis tengah.

K : CHGSMaP** : CH GSMaP
Ket P Bulanan Koreeksi Tabel 23 Perbandiingan data CH H Permukaan
dengan GSMaP dann persamaan
Pada wilayyah keseluruhann ini, seperti juga koreksi wilayah
w keseluuruhan
ppada wilayah II dan III, regresi stepw wise Perb
bandingan Awal
Peersamaan
k
kembali tidaak mengeluaarkan parameeter Koreksi
N
NOAA sebaggai hasil kelluarannya. Hasil
H R2 - 15.90%
p
persamaan kooreksi yang berupa
b persammaan
r
regresi positiff, menunjukkaan bahwa cuurah MA
AE 149.705 95.829
h
hujan GSMaP awal besaran nnya lebih renndah RM
MSE 187.192 105.060
 

Gambarr 28 Scatterplott antara curah hhujan permukaaan dengan currah hujan sateliit sebelum
korek
ksi (kiri) dan dengan
d persamaaan koreksi (kaanan) pada willayah keseluruhhan

44.4.2 Persama aan Koreksi TRMMT Wilayyah TRMMM pada willayah pergunuungan. Nilai
I
III perbaandingan antarra nilai curah hujan
h TRMM
Hasil iden ntifikasi menuunjukkan bahhwa awal dengan 3 perssamaan korekssi, ditunjukan
c
curah hujan harian TRM MM wilayah III oleh Tabel 25, kketiga persam maan koreksi
m
mempunyai niilai korelasi jauh lebih renndah sudah h mampu mem mberikan nilai koreksi
k hujan
d
dibandingkan pada wilayah h I dan II yyang yang jauh mendekaati nilai curah hujan
h stasiun
s
sudah dapat mencapai >550%, sehinngga jauh lebih baik darii TRMM.
p
persamaan korreksi ini lebihh difokuskan ppada Hasil
H Persamaaan Koreksi teerbaik adalah
n
nilai curah hujan
h TRMM M pada wilaayah persaamaan korekssi nomor tiiga, dengan
p
pegunungan. Hasil
H regresi stepwise denngan korellasi mencapai 0.7 (naik lebih dari 2 kali
t
tiga perlakuaann memberikann keluaran berrupa lipat korelasi aw wal), akan teetapi karena
t
tiga persamaaan (Tabel 24). Hasil ini persaamaan koreksii nomor tiga ini memakai
m
menunjukkan bahwa p
parameter yyang asummsi, sehingga pperlu dilakukaan penelitian
b
berpengaruh untuk
u koreksi curah
c hujan sattelit lebihh jauh tentang kebenaran darri asumsi ini.
p
pada kondisi topografi peg gunungan adaalah Persaamaan keduua yang menggunakan m
T
Tekanan Udarra Permukaan n, Angin 850m mb, perkaalian vektor daalam menentuk kan interaksi
P
Parameter C (Angin permu ukaan komponen antarra angin denngan kemirinngan lereng,
V
V(-) dan Kem miringan leren ng), Suhu uddara meru upakan faktor kkorelasi terbaikk jika dilihat
8
850mb, Kelemmbaban tanahh kedalaman 10- secarra teoritis, akaan tetapi fakto
or koreksi ini
2
200cm, dan suhu kulit permukaan
p (SSkin memmpunyai kelemaahan pada saatt curah hujan
t
temperature), sehingga daapat disimpullkan tingggi (hari ke 45), tidak memb berikan hasil
b
bahwa parameeter inilah yanng mempengarruhi yang sesuai (Gambaar 28).
k
kesalahan peendugaan nilaai curah huujan

T
Tabel 24 Persaamaan Koreksi data TRMM Wilayah
W III
PERSA AMAAN KOR REKSI CH TR RMM WILAY YAH III
CH
C TRMM* = 8833 + 0.233*CHTTRMM+ 2.10*P(ppermukaan) + 0.7227*V(850) - 4.900*T(850) –
I
325*θ(10-200cm) - 4.74*Ts (permukaan)
CHTRMM* = 701+ 0.229* CHTRMM + 0.00111*P(Permukaaan) + 0.0776*V V(850) –
II
5.69*Ts (permukaan)+ 0.3228*RH850 – 311*θ(10-200cm)- 3..82* R⋅S (permukkaan)
III CHTRMM* = 2132 - 0.0296* R⋅S (permukaan)*C CHTRMM - 6.766 T(850)- 396 *θ(10-200cm)

K : CHGSMaaP* : CH GSM
Ket MaP Bulanan K Koreksi V(8550) : Keccepatan Angin 850mb
P(permukaaan) : Tekanan n Udara Permuukaan T(8550) : Suhhu udara 850mmb,
θ(10-200cm
m) : Kelembaaban tanah 10--200cm Ts (permukaan)
( : Suhhu kulit permukkaan
R⋅S(permmukaan) : Interaksi antara Angin
n permukaan daan Kemiringan lereng

T
Tabel 25 Perbbandingan dataa CH Permukaaan dengan TRM
MM dan persam
maan koreksi wilayah
w III
Persamaan n Persam
maan Koreksii Persamaa an Koreksi
Perbandingan
n Awal
Koreksi I II III
I
R2 - 41.80% 43.9% 49.80%
MAE 11.21 5.70 5.87 5.66
RMSE 16.20 2.39 2.42 2.38
 

G
Gambar 29 Sccatterplot antarra curah hujan ppermukaan den
ngan curah hujan TRMM TM
MPA sebelum
ko
oreksi (atas) daan 3 persamaann koreksi (bawaah).

A 

B 

C 

D 

G
Gambar 29 Plot antara nilai curah hujan TR
RMM (A) dan tiga Persamaaan Koreksi (B,C
C,D)
terrhadap waktu pada
p wilayah III

V. KESIMPULAN
5.1 Kesimpulan
Perbandingan pola curah hujan harian
GSMaP pada semua wilayah kajian dengan
curah hujan Permukaan nilai korelasi kurang
dari 20%, dan diperkuat oleh uji Mann-
Whitney yang menyatakan rataan CH GSMaP
harian berbeda nyata dengan data curah hujan
harian Permukaan. Curah hujan TRMM
harian untuk wilayah I dan wilayah
keseluruhan mempunyai korelasi lebih dari
60% dengan curah hujan permukaan sehingga
data dapat diterapkan, diperkuat dengan uji
Mann Whitney yang menunjukkan data tidak
berbeda nyata.
Perbandingan Data 10 harian, untuk
GSMaP menunjukkan korelasi kurang dari
20%, akan tetapi perbandingan nilai rataan Uji
Mann-Whitney dengan curah hujan
permukaan nilai pada wilayah pantai dan
dataran tidak berbeda nyata. Curah hujan
TRMM 10 harian pola curah hujan kecuali
pada wilayah pegunungan sudah dapat
mengikuti pola curah hujan permukaan, dan
uji Mann Whitney menunjukkan rataan
TRMM 10 harian pada keseluruhan wilayah
kajian tidak berbeda nyata.
Perbandingan data bulanan GSMaP
dengan curah hujan permukaan menunjukkan
nilai korelasi lebih dari 0.60 pada wilayah
pantai dan dataran dan dapat diterapkan,
dengan menggunakan persamaan koreksi,
karena besar curah hujan GSMaP selalu lebih
rendah dari curah hujan Permukaan. Data
curah hujan TRMM bulanan dapat diterapkan
pada semua wilayah kajian karena pola
sebaran sangat baik dengan korelasi tertinggi
sebesar 98% (pada wilayah II), diperkuat
dengan uji rataan Mann Whitney bahwa data
CH TRMM tidak berbeda nyata dengan curah
hujan permukaan.
Identifikasi galat menunjukkan adanya
fenomena hujan hangat dan variasi emisi
permukaan yang tinggi khususnya pada
wilayah III yang menyebabkan pada wilayah
ini besaran curah hujan baik GSMaP maupun
TRMM tidak mampu mengikuti curah hujan
permukaan. Persamaan koreksi pada GSMaP
menunjukkan pada wilayah I parameter yang
berpengaruh adalah Suhu permukaan dan
kelembaban spesifik 850mb, sedangkan di
wilayah II, III, dan keseluruhan tidak ada
parameter lokal yang berpengaruh. Persamaan
koreksi TRMM wilayah III didapat parameter
lokal yang berpengaruh terhadap keakuratan
microwave ini adalah Tekanan Udara
Permukaan, Angin 850mb, Parameter C
(Angin Meridional permukaan dan
Kemiringan lereng), Suhu udara 850mb,
Kelembaban tanah kedalaman 10-200cm, dan
suhu kulit permukaan (SKT)
5.2 Saran
Kebutuhan periode data yang lebih
panjang (>= 1 Tahun) agar dapat melakukan
evaluasi hasil GSMaP/TRMM pada musim
kemarau , musim hujan dan tahunan, untuk
membuat persamaan koreksi baik tiap musim
ataupun tahunan.
DAFTAR PUSTAKA
COMET® Program. 2007. Land and Ocean
Surface Applications - Microwave Remote
Sensing. University Corporation for
Atmospheric Research (UCAR)
[http://meted. ucar.edu.]
Committee to Assess NEXRAD Flash Flood.
2005. Flash Flood Forecasting Over
Complex Terrain: With an Assessment of
the Sulphur Mountain NEXRAD in
Southern California. America: National
Academies Press
[http://www.nap.edu/cata log/11128.html]
Higuchi A. Lecture 6: Geostationary
Meteorological Satellites Center for
Environmental Remote Sensing (CEReS).
The 18th IHP Training Course “Satellite
Remote Sensing of Atmospheric
Constituents”; Japan, 3-15 Nov 2008.
Hou A.H, S. Jackson, Kummerow, dan
Shepherd. 2008. Global Precipitation
Measurement. In : Michaelides 2008.
Springer: Berlin.
Huffman G.J dan D.T. Bolvin. 2008. TRMM
and other Data Precipitation Data Set
Documentation. Laboratory for
Atmospheres, NASA Goddard Space
Flight Center and Science Systems and
Applications, Inc. [5 September 2008]
Huffman G.J dan D.T. Bolvin. 2009. Real-
Time TRMM Multi-Satellite Precipitation
Analysis Data Set Documentation.
Laboratory for Atmospheres, NASA
Goddard Space Flight Center and Science
Systems and Applications, Inc.
[13 May 2009]
Iwasaki H. 2008. NDVI Prediction Over
Mongolian Grassland Using GSMaP
Precipitation Data and JRA-25/JCDAS

Temperature Data. J Arid Enviro 73: 557–
562
[JAXA] Japan Aerospace and Exploration
Agency. 2006. TRMM Data Users
Handbook. Japan: Earth Observation
Center.
[JAXA] Japan Aerospace and Exploration
Agency. 2008. Global Rainfall Map in
Near Real Time Data Format Description.
Japan: Earth Observation Center.
[JAXA] Japan Aerospace and Exploration
Agency. 2008. User’s Guide For Global
Rainfall Map By JAXA/EORC GSMaP
Near Realtime System (GSMaP_NRT)
Kachi M, T. Kubota, K. Aonashi, T. Ushio
dan S. Sige. 2009. GSMaP (Global
Satellite Mapping for Precipitation).
IGWCO; Kyoto, Japan
Kalnay E, M. Kanamitsu, R. Kistler, W.
Collins, D. Deaven, L. Gandin, M. Iredell,
S. Saha, G. White, J. Woollen, Y. Zhu, A.
Leetmaa, dan R. Reynolds. 1996. The
NCEP/NCAR 40-Year Reanalysis Project.
Bull. Amer. Meteor 77:437-470
Kidder S.Q. 1981. The Measurement of
Precipitation Frequencies by Passive
Microwave Radiometry. In : Precipitation
measurements from Space,Workshop
Report. October 1981. NASA Goddard
Space Flight Center: Greenbelt
Kubota T, S.Shige, H. Hashizume, K.
Aonashi, N. Takahashi, S. Seto, M.
Hirose, Y.N. Takayabu, T. Ushio, K.
Nakagawa, K. Iwanami, M. Kachi, dan K.
Okamoto. 2007. Global Precipitation Map
Using Satellite-Borne Microwave
Radiometers by The GSMaP Project:
Production And Validation. IEEE
45:2259-2275.
Lensky I.M dan V. Levizzani. 2008.
Estimation of Precipitation from Space-
based Platforms. In: Michaelides S.
Precipitation: Advances in Measurement,
Estimation dan Prediction. Springer:
Berlin. 195-213
Liu C dan E.J. Zipser. 2009. “Warm Rain” in
the tropics: seasonal and regional
distributions based on 9 yr of TRMM data.
Journal of Climate 22:767-779.
Michaelides S. 2008. Precipitation: Advances
in Measurement, Estimation and
Prediction. Springer: Berlin.
[NASA] National Aeronautic and Space
Administration. NASA Facts: TRMM
Instruments TRMM Microwave Imager.
http://trmm.gsfc.nasa.gov/index.html.
[Mei 2009]
Okamoto K, S. Shige, N. Takahashi, K.
Iwanami, dan T. Kubota. 2007. High
Precision And High Resolution Global
Precipitation Map From Satellite Data.
International Symposium on Antennas and
Propagation; Japan, 22 Ags 2007.
Oldeman L.R dan D. Suardi. 1977. Climatic
Determinants In Relation To Cropping
Patterns . Proceedings, Symposium on
Cropping Systems Research and
Development for the Asian Rice Farmer,
21-24 September 1976, Los Banos,
Filipina. Philipine : The International Rice
Research Institute
Porcu F, F. Prodi, S. Pinori, S. Dietrich, G.
Panegrossi, dan G. Tripoli. 2003. On The
Capabilities of VIS/IR Satellite Data to
Resolve Orographic Precipitation.
Proceedings of the 5th EGS Plinius
Conference; Ajaccio, Corsica, France, Okt
2003. France: Editrice.
Prawirowardoyo S. 1996. Meteorologi.
Bandung: ITB.
Prigent C, F. Aires, dan W.B. Rossow. 2006.
Land Surface Microwave Emisivities Over
The Globe For A Decade. Bull. Amer.
Meteor. Soc 87: 1573– 1582
Rosenfeld, E. Cattani, S. Melani, dan V.
Levizzani. 2004. Considerations on
Daylight Operation of 1.6 μm vs 3.7 μm
Channel on NOAA and METOP Satellites.
B Am Meteorol Soc 85:873–881
Sandoval M.R. 2007. Spasial and Temporal
Rainfall Gauge Data Analysis And
Validation With TRMM Microwave
Radiometer Surface Rainfall Retrievals.
Netherland : ITC
Spencer R.W, H.G. Michael, dan E.H. Tobbie.
1989. Precipitation Retrieval over Land
and Ocean with the SSM/I: Identification
and Characteristics of the Scattering
  
 

Signal. J Atmos and Ocean Tech 6:254-

273

Suryantoro A, Halimurrahman, T. Harjana.

2009. Variasi Spasiotemporal Curah Hujan
Indonesia Berbasis Observasi Satelit
TRMM. Diseminasi Kegiatan Bidang
Pemodelan Iklim Tahun 2009 – Observasi,
Riset Proses Fisika dan Dinamika Serta
Pemodelan Atmosfer. Bandung, 21 Apr
2009

Ushio T. Global Precipitation Mapping. The

Eighteenth IHP Training Course
(International Hydrological Program)
Satellite Remote Sensing of Atmospheric
Constituents; Japan, 3-15 Nov 2008

 
 
  
 

LAMPIRAN

 
 
  
 

Lampiran 1 Daftar pengamatan hujan Permukaan di Wilayah Kajian Jakarta-Bogor

No. Sta Observasi Lintang Bujur Elevasi (m)

9010 Darmaga -6.55 106.75 250
2A Perk.Cikopomayak -6.47 106.47 103
21A Cianten -6.64 106.63 401
36A Depok BMG -6.41 106.76 94
76 Gn Mas -6.71 106.97 1125
46C Empang -6.61 106.79 263
46A Kebun Raya Bogor -6.6 106.8 265
9014 Citeko -6.7 106.94 970
63 Pdk Gedeh -6.74 106.82 472
16R Cikasungka -6.55 106.54 370
59A Ciawi -6.66 106.85 486
56A Katulampa -6.6 106.81 266
13 Ciriung-Cibinong -6.46 106.86 120
2 Perk Jasinga -6.47 106.47 103
- Setu Tunggilis -6.42 107.01 68
- Bendung Cibongas -6.56 106.87 182
36 Perkb. Kahuripan -6.45 106.69 97
89 Dayeuh -6.51 107.02 290
80 Klapa Nunggal -6.41 106.96 80
10003 Tanjung Priok -6.1 106.88 2
9029 Pd.Betung -6.31 106.75 26
10005 Kemayoran -6.15 106.85 5
10006 Halim Perdanakusuma -6.27 106.88 26

 
 
 42
 

Lampiran 2 Peta sebarann Stasiun curahh hujan Jakartaa - Bogor

  
 

Lampiran 3 Luasan Poligon Thiessen

Poligon Thiessen Wilayah I
Observasi Lintang Bujur Luas (km2) Presentase luasan (%)
Tanjung Priok -6.10 106.88 393.5 51.11%
PD.Betung -6.31 106.75 23.26 3.02%
Kemayoran -6.12 106.83 231.3 30.04%
Halim Perdanakusuma -6.46 106.88 121.9 15.83%

Poligon Thiessen Wilayah II

Observasi Lintang Bujur Luas (km2) Presentase luasan (%)
Darmaga -6.55 106.75 9.17 1.19%
Depok BMG -6.41 106.76 103.6 13.46%
Ciriung-Cibinong -6.46 106.86 162.7 21.13%
Setu Tunggilis -6.42 107.01 18.12 2.35%
Perkb. Kahuripan -6.45 106.69 0.767 0.10%
Dayeuh -6.51 107.02 17.88 2.32%
Klapa Nunggal -6.41 106.96 168.3 21.86%
Pondok Betung -6.26 106.75 90.2 11.71%
Halim Perdanakusuma -6.42 106.96 199.223 25.87%

Poligon Thiessen Wilayah III

Observasi Lintang Bujur Luas (km2) Presentase luasan (%)
Darmaga -6.55 106.75 49.48 6.43%
Gn Mas -6.71 106.97 70.2 9.12%
Empang -6.61 106.79 56.2 7.30%
Kebun Raya Bogor -6.60 106.80 19.85 2.58%
Citeko -6.70 106.94 111.7 14.51%
Pdk Gedeh -6.74 106.82 89.8 11.66%
Ciawi -6.66 106.85 100.1 13.00%
Katulampa -6.60 106.81 34.47 4.48%
Ciriung-Cibinong -6.46 106.86 12.52 1.63%
Bendung Cibongas -6.56 106.87 159.9 20.77%
Dayeuh -6.51 107.02 65.74 8.54%

 
 
  
 

Lampiran 4 Poligon Thiessen wilayah Kajian

 
 
  
 

Lampiran 5. Global Satellite Mapping of Precipitation (GSMaP)

Global Satellite Mapping of Precipitation (GSMaP) adalah suatu proyek milik pemerintah
Jepang untuk melakukan pengukuran curah hujan dengan menggunakan media satelit luar
angkasa. GSMaP ini awalnya didirikan oleh Japan Science and Technology Agency, bekerjasama
dengan Core Research for Evolutional Science and Technology (JST/CREST) pada bulan
November 2002. Sekarang dikelola dibawah lembaga antariksa Jepang yaitu JAXA’s Precipitation
Measurement Missions dan GCOM-W1/AMSR2.
Tujuan dari project ini adalah memproduksi data curah hujan secara global dengan resolusi
dan keakuratan yang tinggi menggunakan satelit dengan sensor radiometer gelombang mikro
(microwave radiometers MWR) (K. Okamoto 2007). Dua langkah yang digunakan dalam proses
pengolahan data pada GSMaP yaitu
1. Mengembangkan algoritma MWR yang konsisten dengan sensor Precipitation Radar
(PR) yang ada pada satelit TRMM dan Precipitation physical model yang dikembangkan
dari PR (Aonashi et al., 2009 dalam M Kachi et al. 2009)
2. Mengkombinasikan penggunaan MWR dangan IR dengan menggunakan Cloud moving
Vector dan Kalman Filter (Ushio et al., 2009 dalam M Kachi et al. 2009).

GSMaP ini melibatkan 3 satelit pengukur curah hujan dengan menggunakan sensor MWR yaitu

Tabel 1. Satelit dan Sensor dalam GSMaP (JAXA 2008)

Satelit Ketinggian (km) Sensor MWR frequency (GHz)
TRMM 402 TMI 10,19,21,37,85
AQUA 705 AMSR-E 7,10,19,24,37,89
DMSP-F13 803 SSM/I 19,37,85
DMSP-F14 803 SSM/I 19,37,85
DMSP-F15 803 SSM/I 19,37,85

Selain penggunaan 3 satelit MWR ini, GSMaP juga menggunakan data satelit yang memakai
sensor IR. Data satelit IR yang digunakan adalah

1. MTSAT
2. METSOSAT-7/-8
3. GOES-11/-12

Ketiga data satelit ini disediakan oleh JWA (Japan Weather Association) dengan wilayah
jangkauan data secara global yaitu 60N – 60S, data tersedia setiap satu jam (JAXA 2008). Tujuan
dari penggunaan data IR ini adalah untuk mendapatkan vektor pergerakan awan (Cloud Motion
Vector), yang akan digunakan dalam algoritma GSMaP, karena itulah pengamatan hujan yang
dilakukan oleh GSMaP ini adalah gabungan sensor gelombang mikro dan inframerah

2.2.1 Algoritma GSMaP

Algoritma dari GSMaP disesuaikan dengan tujuan GSMaP yaitu untuk mengembangkan
algoritma MWR yang konsisten dengan sensor PR yang ada pada satelit TRMM, dengan
Precipitation physical model yang dikembangkan dari sensor PR (Aonashi et al. 2009 dalam
Kachi et al. 2009), selain itu juga untuk mengkombinasikan penggunaan MWR dengan IR dengan
menggunakan Cloud moving Vector dan Kalman Filter (Ushio et al 2009 dalam Kachi et al.
2009).

 
 
  
 

Tahap tahap pengambilan data Curah hujan GSMaP adalah sebagai berikut
1. Pengumpulan data dari satelit-satelit GEO IR yang dilakukan oleh JWA. Data GEO IR ini
digunakan untuk mendapatkan data pergerakan Awan (meridional dan zonal) secara
global (Cloud Motion Vector CMV).

Gambar 1 Algortima GSMaP_NRT (Ushio et al. 2009)

2. Data MWR yang dikumpulkan dari empat satelit setiap tiga jam (citra hujan tiga jam
sebelumnya), lalu diinterpolasikan dengan citra CMV untuk mendapatkan pergerakan
hujan. Tetapi hasil interpolasi ini hanya pergerakan hujan saja, tidak terdapat proses
pertumbuhan atau penghilangan hujan. Atas dasar itu sehingga diperlukan suatu
persamaan untuk membuat proses tersebut dengan memakai Kalman filter. Kalman filter
adalah suatu hubungan antar nilai suhu kecerahan yang didapatkan dari sensor IR dengan
nilai intensitas hujan (Ushio 2008). Didapatlah citra hujan satu jam-an secara global
(empat jam sebelumya) lalu ditambah dengan nilai dari sensor MWR pada jam itu, hanya
pada lokasi tertentu yang sedang dilintasi oleh orbit satelit. Dilakukan koreksi tambahan
pada data hasil keluaran GSMaP_NRT tersebut

Gambar 2. Timeline algoritma hujan satu jam-an GSMaP_NRT (Kachi et al. 2009)

 
 
 

Lampiran 6. Trropical Rainfalll Measuring M

L Mission Multi-S
Satellite Precippitation Analyssis (TRMM
T
TMPA)

S
Satelit TRMM M
Tropicaal Rainfall Meaasuring Missioon merupakan satelit meteoroologi pengukurr curah hujan
h
hasil kerjasamma antara Natioonal Aeronautiics and Space Administrationn (NASA), Naational Space
D
Development A
Agency of Japan (NASDA) ssekarang bernaama JAXA (Jaapan Aerospacee Exploration
A
Agency), dan Communicatio
C on Research Laaboratory (CRL L) Jepang. Kerjasama yang baru
b pertama
k dilakukann oleh dua lem
kali mbaga antarikssa ini dalam bentuk
b pembaggian pembuataan instrument
s
sampai tempatt pusat pengaamatan satelit. Jepang menyyumbangkan instrument terppenting pada
s
satelit ini yaituu radar Hujan (Precipitationn Radar) dan pihak
p NASA m menyediakan empat
e sensor
l
lainnya besertaa pusat pengopperasian satelit. (JAXA 2006))
Satelit TRMM
T dilunccurkan pada 200 November 19997 di Tanegasshima Space Center
C Jepang
d
dengan mengggunakan H-II Vehicle
V dan dileetakan pada keetinggian 350 KKm dengan orbbit 35 derajat.
S
Satelit ini dideesain untuk maasa pengamatann tiga tahun duua bulan, tetapii karena keberhhasilan satelit
i umur sateliit diperpanjangg dengan mennaikan ketinggiian orbit menjadi 400 km (JJAXA 2006),
ini
s
selain juga unttuk menghematt bahan bakar kenaikan
k orbit ini juga bertujuan untuk men
ngurangi efek
g
gangguan dari pergerakan atm mosfer.

Karaakteristik Utam
ma Satelit TRM
MM (JAXA 20006)
Waktu peeluncuran 20-Novembber-1997
Ketinggiaan orbit 350 km (dinnaikan jadi 402
2.5km)
Sudut kem
miringan orbit 35 derajat
Orbit Non Synchrronous
Design liffe 3 tahun 2 buulan
1. Precippitation Radar (PR)
(
2. TRMM
M Microwave Imager
I (TMI)
Instrumen
nt sensor 3. Visible Infrared Scanner (VIRS)
4. Lightinng Imaging Seensor (LIS)
5. Clouds and the Earth
h's Radiant Eneergy System (C
CERES)

Satelit TRMM
T ini berrfungsi untuk melakukan penngukuran hujaan dengan wilaayah cakupan
ssecara global yaitu
y global, dari
d 50° LU-500°LS dan 180°B BT-180°BB, ddan data terseddia dari bulan
J
Januari 1998 sampai
s sekaranng (JAXA 20006). Orbit darii TRMM didessain non synchhronous orbit
d
dengan sudut putaran 35o daan kecepatan tterbang 7.3m/ddt, yang berart
rti dapat mengelilingi bumi
d
dalam waktu 90
9 menit dan 166 orbit dalam ssatu hari.

G
Gambar Orbit TRMM
  
 

Instrument Sensor TRMM

Satelit TRMM membawa lima sensor pada bagiannya terdiri dari tiga sensor utama dan dua sensor
tambahan yaitu (JAXA 2006)

1. Precipitation Radar (PR)

PR merupakan instrumen radar hujan pertama yang melakukan pengukuran curah hujan
dari luar angkasa, biasanya pegukuran dengan radar dilakukan dengan menggunakan
radar permukaan). Sensor PR ini mengukur nilai gelombang pantul (echo) dari air hujan,
nilai echo ini proposional dengan volume air hujan yang jatuh sehingga PR akan
memberikan hasil profil hujan yang akurat (NASA 2004). Keistimewaa PR ini mampu
memberikan profil hujan secara 3 dimensi, dengan profil hujan 3 dimesi ini maka dapat
didapatkan data mengenai intensitas hujan, distribusi butir hujan pada suatu awan, tipe
hujan, ketinggian saat es mencari menjadi butir hujan dan kedalaman awan hujan. Luas
jangkauan radar 247km, dengan resolusi horizontal (z) sedalam 5 km, dan mampu
memberikan profil awan dari ketinggian awan 20 km diatas permukaan.
2. TRMM Microwave Imager (TMI)
TRMM Microwave Imager (TMI) adalah sensor gelombang mikro pasif yang berfungsi
untuk memberikan informasi curah hujan secara quantitatif dengan wilayah cakupan yang
luas (878km). Dengan melakukan penangkapan jumlah energi gelombang mikro yang
dikeluarkan oleh bumi dan atmosfernya, maka TMI dapat menghitung nilai water vapour,
cloud water dan intensitas hujan. TMI mempunyai lima sensor pengukur radiasi dengan
frekuensi masing-masing 10.7, 19.4, 21.3, 37, 85.5 GHz. Dengan menggunakan bantuan
dari PR maka akan didapat algoritma TMI dalam menetukan besarnya intensitas hujan
3. Visible Infrared Scanner (VIRS)
VIRS Visible and Infrared Scanner berfungsi untuk menangkap radiasi yang datang dari
bumi dengan 5 spektral region dari visible sampai infrared (0,63; 1,6; 3,75, 10,8 dan 12
μm). Kegunaan sensor ini adalah untuk melakukan pemantauan liputan awan, jenis awan
dan temperature puncak awan
4. Lighting Imaging Sensor (LIS)
5. Clouds and the Earth's Radiant Energy System (CERES)

Dataset TRMM
Data untuk user yang dikeluarkan oleh TRMM dibagi dalam ke dalam empat level
pengolahan data, yang merupakan tingkatan pengolahan data dari data mentah hasil penerimaan
sensor menjadi data yang sudah siap untuk digunakan oleh user dalam bentuk grid. Data level 0
tidak disediakan secara langsung kepada user, tetapi untuk level dua sampai tiga user dapat
diunduh langsung di ftp://disc2.nascom.nasa.gov/data/TRMM/ dengan dua tipe file keluaran yaitu
.HDF dan .BIN, berikut beberapa keluaran dari sensor pada tiap level yang berbeda

Tabel 5. Empat level pengolahan data TRMM (JAXA 2006)

Level Definisi
0 Data mentah dari tiap sensor yang ada pada TRMM
Simpangan data dan georeferencing data terlampir Level 0 lalu diproses menjadi
1
unit fisik yang diinginkan seperti radar refectivity dan suhu kecerahan
Pengolahan dan penurunan parameter pada level 1 menjadi parameter meteorologi
2 (intensitas hujan) menggunakan algoritma tertentu. Menghasilkan dua dan tiga
dimensi peta hujan sepanjang daerah yang dilewati oleh sensor ini
Pemetaan parameter meteorologi dari level 2 pada grid wilayah dan waktu yang
3
telah disesuaikan

 
 
  
 

Tabel 6. Kode data tiap Level (JAXA 2006)

Kode Wilayah cakupan dan
Sensor Produk
Level Resolusi data
1B21 Hasil kalibrasi tenaga yang didapat 1 orbit (16 orbit /hari)
1C21 Radar Reflectivity 1 orbit (16 orbit /hari)
2A21 Normalisasi radar surface Cross Section 1 orbit (16 orbit /hari)
2A23 PR Kualitatif 1 orbit (16 orbit /hari)
PR 2A25 Profil Hujan 1 orbit (16 orbit /hari)
Global
3A25 Statistik Parameter hujan bulanan
(Grid:5ox5o;0.5ox0.5o)
Intensitas hujan bulanan menggunakan
3A26 Global (Grid:5ox5o)
metode Statistik
1B11 Brightness temperature 1 orbit (16 orbit /hari)
2A11 Profil Hujan 1 orbit (16orbit /hari)
TMI
Global (bulanan ;
3A11 Curah hujan Lautan bulanan o o
Grid:5 x5 )
VIRS 1B01 Radiance 1 orbit (16orbit /hari)
2B31 Profil Hujan 1 orbit (16orbit /hari)
3B31 Curah hujan Bulanan 1 orbit (16 orbit /hari)
Global (harian ;Grid :
3B42V6 TRMM+IR Curah hujan harian
0.25 o x 0.25 o)
Comb Global (3jam-an dan
harian; Grid : 0.25 o x
3B42RT TRMM+IR+MWR
0.25o)
Global (Bulanan,
3B43V6 TRMM + GPCC rain gauge analysis
Grid :0.25 o x 0.25 o)

2.3.2 Algoritma 3B42RT dan 3B43V6

Data 3B42RT merupakan gabungan dari data 3B40RT dan 3B41RT, dengan data 3B40RT
disebut dengan high-quality (HQ) data dan 3B41RT disebut dengan Variable rainrate (VAR).
3B40RT adalah data sensor MWR lain selain milik satelit TRMM yaitu sensor SSMI, AMSU-B
dan AMSR-E, data dari tiap sensor ini yang diupdate setiap 3 jam dan berisi data curah hujan
intensitas 3 jam-an. Data 3B41RT adalah data pendugaan hujan dari sensor IR, data dari tiap
sensor akan diperbaharui setiap satu jam (Huffman dan Bolvin 2009).
Data HQ yang diperoleh dari sensor-sensor MWR akan mendapatkan nilai Tb, nilai Tb dari sensor
SSM/I, TMI, dan AMSR-E ini lalu diolah dengan meggunakan The Goddard Profiling Algorithm
(GPROF) yang menggunakan Metode Bayesian Inversion untuk melihat hubungan antara MWR
Tb dengan profil hydrometeor, yang mana masing-masing profil hydrometeor diasosiasikan
dengan curah hujan permukaan (Huffman dan Bolvin 2009). Sementara untuk sensor AMSU-B
yang dioperasionalkan oleh National Environmental Satellite Data and Information Service
(NESDIS), nilai curah hujan permukaannya menggunakan algoritma tersendiri karena tipe sensor
AMSU-B merupakan tipe MWR Sounding, tidak seperti sensor MWR lainnya yang merupakan
sensor bertipe MWR Imager . Algoritma yang digunakan adalah Ice water path (IWP)-
precipitation rate dari NCAR/PSU Mesoscale Model Version 5 (MM5).
Data VAR, yag merupakan gabungan dari sensor IR yang terdapat pada empat satelit
Geostasioner yaitu Geosynchronous Operational Environmental Satellites (GOES) Amerika
Serikat, Geosynchronous Meteorological Satellite (GMS) Jepang dan Meteorological Satellite

 
 
  
 

(Meteosat) Eropa. Nilai IR yang diperoleh dari masing-masing satelit ini lalu dikombinasikan pada
Geostationary Satellite Precipitation Data Centre (GSPDC).
Kombinasi antara HQ dan VAR ini akan mengahasilkan data curah hujan dengan prioritas
kombinasi mengutamakan data HQ dan jika terjadi kekosongan data maka baru akan ditutup
dengan penggunakan data presipitasi dari VAR (Funk et al. 2009). Data 3B43V6 merupakan data
curah hujan bulanan, yang dikalibrasi dengan data pengukuran hujan pada permukaan (ground
observation) milik GPCC (Global Precipitiation Climatology Centre). Prioritas penggabungan
data ini adalah

(1). Nilai data 3 jam-an (3B42RT) HQ+VAR (Dijumlahkan selama 1 bulan)

(2). Data curah hujan bulanan milik GPCC (Global Preciptiation Climatology Centre)
digunakan untuk dicocokan dengan data (1) lalu dicari nilai bias nya
(3). Lalu (2) ini dikombinasikan secara langsung dengan analisis curah hujan permukaan
menggunakan Inverse Error Variance Weighting (Huffman dan Bolvin 2008).

 
 
 

Diagram Alir penelitian

D

Laampiran 7 Diaggram Alir Penggumpulan Dataa

Lampiran 8 Diagram Alir Perbandingan dan Faktor Kooreksi Data

 lii 
 

Lampiran 9 Keluaran regresi stepwise persamaan koreksi 1 Curah hujan harian TRMM

Output Regresi Stepwise

Stepwise Regression: Pengamatan Permu versus 3B42_RT, AirTemp850, ...
Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15
Response is Pengamatan Permukaan BMKG on 16 predictors, with N = 90
Step 1 2 3 4 5 6
Constant 10.72 -4108.84 -4062.36 -2604.47 -1011.30 882.80

3B42_RT 0.218 0.175 0.240 0.239 0.214 0.233

T-Value 3.12 2.71 3.65 3.70 3.37 3.65
P-Value 0.002 0.008 0.000 0.000 0.001 0.000

Pressure 0.0414 0.0408 0.0355 0.0267 0.0210

T-Value 4.26 4.39 3.72 2.68 2.03
P-Value 0.000 0.000 0.000 0.009 0.046

Wind850 1.09 1.05 0.95 0.73

T-Value 2.96 2.90 2.69 1.96
P-Value 0.004 0.005 0.009 0.054

AirTemp850 -3.2 -5.2 -4.9

T-Value -1.95 -2.91 -2.74
P-Value 0.054 0.005 0.007

SoillMST10-200cm -310 -325

T-Value -2.46 -2.60
P-Value 0.016 0.011

SKT -4.7
T-Value -1.77
P-Value 0.081

S 10.5 9.57 9.17 9.03 8.77 8.66

R-Sq 9.97 25.50 32.40 35.29 39.64 41.83
R-Sq(adj) 8.94 23.79 30.04 32.25 36.04 37.62
Mallows Cp 37.2 17.9 10.5 8.5 4.6 3.6

Regression Analysis: Pengamatan Permu versus 3B42_RT, Pressure, ...

The regression equation is

Pengamatan Permukaan = 883 + 0.233 3B42_RT + 2.10 Pressure + 0.727
Wind850 - 4.90 AirTemp850 - 325 SoillMST10-200cm - 4.74 SKT

Predictor Coef SE Coef T P VIF

Constant 883 1685 0.52 0.602
3B42_RT 0.23265 0.06368 3.65 0.000 1.213
Pressure 0.02096 0.01035 2.03 0.046 1.422
Wind850 0.7272 0.3719 1.96 0.054 1.294
AirTemp850 -4.898 1.786 -2.74 0.007 1.399
SoillMST10-200cm -324.9 124.9 -2.60 0.011 1.376
SKT -4.744 2.684 -1.77 0.081 1.387

S = 8.66222 R-Sq = 41.8% R-Sq(adj) = 37.6%

Analysis of Variance

Source DF SS MS F P
Regression 6 4477.68 746.28 9.95 0.000
Residual Error 83 6227.83 75.03
Total 89 10705.52

 
  
 

Lampiran 10 Keluaran regresi stepwise persamaan koreksi 2 Curah hujan harian TRMM
Stepwise Regression: Pengamatan Permu versus 3B42_RT, AirTemp850, ...
Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15
Response is Pengamatan Permukaan BMKG on 27 predictors, Stepwith N = 90 7 8
Step 1 2 3 4 Constant 5 6 700.9 802.1
Constant -2250.12 -2048.41 -2063.86 -192.92 -159.48 -61.52
Pressure_1 0.00111 0.00120
Pressure 0.00228 0.00208 T-Value 0.00142
0.00209 0.00175 0.00155 2.20 2.40
T-Value 4.58 4.26 4.49 3.56 P-Value
3.11 2.86 0.031 0.019
P-Value 0.000 0.000 0.000 0.001 0.003 0.005
3B42_RT 0.229 0.221
3B42_RT 0.175 0.228 0.254 T-Value
0.259 0.254 3.65 3.54
T-Value 2.71 3.56 3.94 P-Value
4.06 4.03 0.000 0.001
P-Value 0.008 0.001 0.000 0.000 0.000
Wind850_1 0.078 0.085
Wind850 0.078 0.063 T-Value
0.052 0.067 2.87 3.21
T-Value 3.09 2.44 P-Value
1.97 2.47 0.005 0.002
P-Value 0.003 0.017 0.052 0.016
SKT -5.7 -6.3
SKT -5.2 T-Value
-4.6 -4.6 -2.16 -2.40
T-Value -1.91 P-Value
-1.71 -1.72 0.034 0.018
P-Value 0.060 0.091 0.090
Parameter C -3.8
Parameter C T-Value
-4.9 -5.9 -1.29
T-Value P-Value
-1.71 -2.06 0.200
P-Value 0.091 0.043
Rhum850 0.33 0.33
Rhum850 T-Value 0.19 2.81 2.80
T-Value P-Value 1.88 0.006 0.006
P-Value 0.064
SoillMST10-200cm -311 -366
SoillMST10-200cm T-Value -2.27 -2.81
T-Value P-Value 0.026 0.006
P-Value
S 8.56 8.59
S 9.91 9.57 9.14 9.00 R-Sq
8.90 8.77 43.92 42.79
R-Sq 19.23 25.51 32.94 35.70 R-Sq(adj)
37.86 40.39 39.14 38.65
R-Sq(adj) 18.31 23.79 30.61 32.67 34.16 36.08

Regression Analysis: Pengamatan Permu versus Pressure_1, 3B42_RT, ...

The regression equation is
Pengamatan Permukaan = 701 + 0.00111 Pressure + 0.229 3B42_RT+ 0.0776 Wind850
- 5.69 SKT - 3.82 Parameter C+ 0.328 Rhum850 - 311 SoillMST10-200cm

Predictor Coef SE Coef T P VIF

Constant 701 1083 0.65 0.519
Pressure_1 0.0011074 0.0005040 2.20 0.031 1.372
3B42_RT 0.22852 0.06253 3.65 0.000 1.198
Wind850_1 0.07760 0.02702 2.87 0.005 1.421
SKT -5.689 2.636 -2.16 0.034 1.371
Parameter C -3.822 2.962 -1.29 0.200 1.390
Rhum850 0.3284 0.1170 2.81 0.006 1.658
SoillMST10-200cm -310.7 136.6 -2.27 0.026 1.688

S = 8.55624 R-Sq = 43.9% R-Sq(adj) = 39.1%

Analysis of Variance
Source DF SS MS F P
Regression 7 4702.35 671.76 9.18 0.000
Residual Error 82 6003.16 73.21
Total 89 10705.52

 
 
  
 

Lampiran 11 Keluaran regresi stepwise persamaan koreksi 3 Curah hujan harian TRMM

Stepwise Regression: Pengamatan Permu versus 3B42_RT

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15

Response is Pengamatan Permukaan BMKG on 19

predictors, with N = 90
Step 1 2 3
Constant 11.68 1382.29 2131.83

Parameter C*3B42RT -0.0335 -0.0326 -0.0296

T-Value -6.84 -6.98 -6.68
P-Value 0.000 0.000 0.000
AirTemp850 -4.7 -6.8
T-Value -3.19 -4.55
P-Value 0.002 0.000
SoillMST10-200cm -396
T-Value -3.75
P-Value 0.000
S 8.91 8.48 7.91
R-Sq 34.72 41.55 49.76
R-Sq(adj) 33.98 40.20 48.01
Mallows Cp 22.7 13.3 1.6

Regression Analysis: Pengamatan P versus Parameter C*, AirTemp850, ...

The regression equation is
Pengamatan Permukaan = 2132 - 0.0296 Parameter C*- 6.76 AirTemp850- 396 SoillMST10-
200cm
Predictor Coef SE Coef T P VIF
Constant 2131.8 448.0 4.76 0.000
Parameter C*3B42RT -0.029566 0.004428 -6.68 0.000 1.038
AirTemp850 -6.759 1.484 -4.55 0.000 1.159
SoillMST10-200cm -396.1 105.6 -3.75 0.000 1.181
S = 7.90796 R-Sq = 49.8% R-Sq(adj) = 48.0%
Analysis of Variance
Source DF SS MS F P
Regression 3 5327.4 1775.8 28.40 0.000
Residual Error 86 5378.1 62.5
Total 89 10705.5

 
 
  
 

Lampiran 12 Keluaran regresi stepwise koreksi data GSMaP wilayah I

Stepwise Regression: obs.I versus GSMaP.I, Suhu1000, ...

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15

Response is obs.I on 14 predictors, with N = 5

Step 1 2 3
Constant 93.88 7918.63 5413.23

GSMaP.I 1.177 0.333 0.764

T-Value 2.88 1.54 23.00
P-Value 0.064 0.263 0.028

suhusurf -296.6 -241.4

T-Value -5.02 -38.38
P-Value 0.037 0.017

Q850 89.3
T-Value 15.90
P-Value 0.040

S 104 34.4 3.05

R-Sq 73.41 98.05 99.99
R-Sq(adj) 64.54 96.09 99.97
 

Regression Analysis: obs.I versus GSMaP.I, suhusurf, Q850

The regression equation is

obs.I = 5413 + 0.764 GSMaP.I - 241 suhusurf + 89.3 Q850

Predictor Coef SE Coef T P

Constant 5413.2 209.7 25.82 0.025
GSMaP.I 0.76362 0.03320 23.00 0.028
suhusurf -241.403 6.289 -38.38 0.017
Q850 89.336 5.620 15.90 0.040

S = 3.05496 R-Sq = 100.0% R-Sq(adj) = 100.0%

Analysis of Variance
Source DF SS MS F P
Regression 3 121269 40423 4331.28 0.011
Residual Error 1 9 9
Total 4 121278
Source DF Seq SS
GSMaP.I 1 89025
suhusurf 1 29884
Q850 1 2359

 
 
  
 

Lampiran 13 Keluaran regresi stepwise koreksi data GSMaP wilayah II

Stepwise Regression: obs.II versus GSMaP.II, Suhu1000, ...

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15

Response is obs.II on 17 predictors, with N = 5

Step 1
Constant 220.7

GSMaP.II 0.66
T-Value 1.27
P-Value 0.294

S 126
R-Sq 34.93
R-Sq(adj) 13.24
 

Regression Analysis: obs.II versus GSMaP.II

The regression equation is

obs.II = 221 + 0.659 GSMaP.II

Predictor Coef SE Coef T P

Constant 220.7 100.7 2.19 0.116
GSMaP.II 0.6587 0.5191 1.27 0.294

S = 125.642 R-Sq = 34.9% R-Sq(adj) = 13.2%

Analysis of Variance

Source DF SS MS F P
Regression 1 25424 25424 1.61 0.294
Residual Error 3 47357 15786
Total 4 72782

 
 
  
 

Lampiran 14 Keluaran regresi stepwise koreksi data GSMaP wilayah III

Stepwise Regression: obs.III versus GSMaP.III, Suhu1000, ...

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15

Response is obs.III on 28 predictors, with N = 5

Step 1
Constant 320.9

GSMaP.III 0.40
T-Value 0.69
P-Value 0.538

S 125
R-Sq 13.84
R-Sq(adj) 0.00

Regression Analysis: obs.III versus GSMaP.III

The regression equation is

obs.III = 321 + 0.403 GSMaP.III

Predictor Coef SE Coef T P

Constant 320.9 123.5 2.60 0.080
GSMaP.III 0.4026 0.5801 0.69 0.538

S = 124.683 R-Sq = 13.8% R-Sq(adj) = 0.0%

Analysis of Variance

Source DF SS MS F P
Regression 1 7490 7490 0.48 0.538
Residual Error 3 46637 15546
Total 4 54128
 

 
 
  
 

Lampiran 15 Keluaran regresi stepwise koreksi data GSMaP wilayah Keseluruhan

Stepwise Regression: obs.kesl versus gsmap.kesel, Suhu1000, ...

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15

Response is obs.kesl on 13 predictors, with N = 5

Step 1
Constant 240.4

gsmap.kesel 0.44
T-Value 0.75
P-Value 0.505

S 136
R-Sq 15.95
R-Sq(adj) 0.00
 

Regression Analysis: obs.kesl versus gsmap.keselrhn

The regression equation is

obs.kesl = 240 + 0.440 gsmap.keserhn

Predictor Coef SE Coef T P

Constant 240.4 117.7 2.04 0.134
gsmap.kesel 0.4400 0.5833 0.75 0.505

S = 135.632 R-Sq = 15.9% R-Sq(adj) = 0.0%

Analysis of Variance

Source DF SS MS F P
Regression 1 10469 10469 0.57 0.505
Residual Error 3 55188 18396
Total 4 65657

 
 
  
 

Lampiran 16 Data Curah hujan Permukaan, Curah hujan GSMaP, dan Curah hujan TRMM pada
wilayah I, II, dan III

Wilayah I Wilayah II Wilayah III

TGL CH CH CH CH CH CH CH CH CH
Permukaan GSMaP TRMM Permukaan GSMaP TRMM Permukaan GSMaP TRMM

1 2.245 1.870 7.560 6.929 0.497 20.730 16.531 1.828 22.020

2 35.583 0.000 0.000 12.631 0.005 11.670 11.485 0.259 9.840

3 0.403 0.336 6.840 0.494 0.014 6.660 40.467 0.067 8.250

4 11.199 1.000 0.000 9.970 0.000 3.930 23.969 0.030 29.640

5 2.822 6.025 5.850 2.992 42.774 14.070 9.279 26.634 24.210

6 15.283 0.051 0.000 5.570 0.000 1.980 6.372 12.291 3.360

7 0.705 0.000 0.000 6.511 0.000 17.610 3.570 0.075 55.680

8 1.912 1.207 0.000 0.482 0.697 6.210 2.528 0.956 24.180

9 16.224 2.081 1.530 5.785 4.782 2.370 2.183 15.866 4.650

10 0.181 0.464 1.380 5.792 0.155 6.210 7.491 0.094 10.320

11 4.112 0.027 0.000 5.600 4.281 4.770 5.551 26.900 16.440

12 22.433 2.965 12.240 16.873 2.641 13.140 2.713 0.492 12.270

13 0.500 12.065 7.560 0.315 3.830 12.720 7.194 8.442 20.850

14 15.832 3.019 1.530 5.213 0.177 1.440 7.451 19.462 50.430

DESEMBER

15 7.847 0.000 2.850 1.144 0.007 4.590 16.748 0.390 11.010

16 2.418 0.356 0.000 5.957 2.174 5.160 10.638 2.313 9.120

17 21.550 0.065 2.280 5.281 1.164 0.000 10.099 3.534 0.000

18 57.095 0.008 5.550 17.869 0.000 5.190 5.221 0.504 12.180

19 4.402 0.140 8.850 6.681 0.000 17.280 7.807 0.000 2.850

20 5.530 0.183 18.600 0.579 0.000 8.340 7.294 0.318 4.620

21 2.728 4.514 6.060 4.994 6.362 3.540 1.102 2.454 2.610

22 26.714 0.416 0.000 11.618 0.348 0.000 11.189 0.000 0.000

23 15.960 43.530 27.600 16.091 16.073 5.640 23.464 1.664 0.000

24 1.008 2.339 0.000 8.206 1.611 1.950 6.511 2.255 0.000

25 4.462 0.672 0.000 6.082 0.383 0.000 14.142 0.015 0.000

26 3.023 0.070 0.000 7.856 0.965 2.700 14.340 3.971 2.520

27 1.295 0.000 0.000 0.006 0.022 0.000 3.157 4.880 0.000

28 2.015 0.200 0.000 0.898 0.430 0.000 0.584 1.595 0.000

29 0.031 0.000 0.000 0.012 0.000 0.000 1.709 0.000 0.000

30 0.743 0.000 0.000 1.254 0.049 0.000 7.739 0.791 1.890

 
 
  
 

31 0.000 0.000 0.000 0.354 0.394 0.000 1.887 2.018 4.680

1 0.920 0.000 0.000 0.343 0.088 0.660 2.482 0.888 2.760

2 0.716 9.560 25.200 6.794 4.619 5.340 4.361 1.679 0.810

3 0.000 0.030 0.000 0.242 0.459 0.000 0.920 1.304 1.440

4 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

5 0.000 0.000 0.000 0.000 0.000 0.000 0.831 0.000 0.000

6 5.493 1.368 0.000 0.727 2.521 0.000 7.529 15.174 0.000

7 6.873 44.218 3.360 6.809 22.670 1.560 11.108 2.698 5.340

8 5.170 1.638 1.860 13.821 0.203 4.920 13.879 0.005 0.660

9 1.609 14.317 10.410 1.680 20.930 11.310 19.793 7.414 12.210

10 5.464 14.541 3.570 0.748 7.285 0.000 9.513 5.089 1.080

11 24.660 0.240 2.490 14.225 0.943 1.500 11.323 1.396 1.440

12 82.479 9.374 21.540 49.825 8.796 10.590 18.628 27.003 15.270

13 100.495 29.766 90.210 75.668 12.885 64.890 44.793 5.535 23.130

14 39.100 0.880 113.280 105.942 2.885 88.020 61.459 12.473 55.200

15 8.997 12.670 28.050 34.282 23.588 40.320 31.549 13.431 21.780

JANUARI

16 0.848 1.645 0.000 4.469 0.414 0.000 17.577 0.107 0.000

17 0.006 0.000 0.000 3.775 0.000 0.000 14.903 0.088 0.000

18 12.363 0.000 0.000 10.954 0.000 0.000 19.210 2.293 1.620

19 0.754 0.000 9.960 17.105 0.000 9.480 22.902 0.000 0.000

20 0.017 14.735 1.980 14.347 10.630 0.000 36.009 4.379 0.000

21 4.819 1.657 0.660 11.898 0.066 0.000 14.454 0.001 13.440

22 0.211 0.211 0.000 2.144 0.933 0.000 0.000 0.027 0.000

23 0.000 0.118 0.810 0.250 0.201 2.160 2.293 0.602 0.000

24 14.456 0.000 0.000 0.789 0.000 0.000 13.574 1.932 0.000

25 2.012 0.291 1.920 0.724 0.000 14.550 13.359 2.506 66.030

26 24.910 8.539 8.430 70.217 9.308 1.470 15.558 29.885 27.120

27 44.178 30.256 71.460 2.963 1.866 10.290 15.570 1.545 6.330

28 0.106 3.651 18.600 1.053 7.861 2.580 4.894 1.974 3.690

29 2.891 10.384 0.000 0.649 0.152 0.000 17.727 0.000 3.480

30 27.091 1.224 13.020 1.536 0.002 2.310 16.711 12.977 35.490

31 13.911 14.539 30.540 4.513 13.924 22.380 11.678 3.689 13.710

 
 
  
 

1 57.800 16.803 25.260 30.327 2.704 14.490 13.535 5.257 16.800

2 23.728 26.402 17.610 48.664 14.862 18.630 41.915 16.066 46.350

3 34.399 31.836 58.200 15.034 35.219 18.840 35.929 25.373 11.490

4 4.602 5.556 37.110 19.799 7.644 26.790 30.025 13.152 4.170

5 10.355 41.783 37.320 17.170 40.506 24.450 15.949 34.202 18.060

6 6.224 1.692 3.630 35.085 9.361 7.230 24.132 14.826 4.770

7 14.098 0.000 12.150 12.999 0.999 2.790 12.817 1.633 1.560

8 18.399 1.362 11.760 14.732 1.560 5.100 16.052 1.862 0.000

9 20.202 20.153 9.270 40.941 1.928 1.860 28.978 1.017 0.000

10 1.506 55.029 30.510 12.609 30.933 30.090 17.235 9.418 16.620

11 4.413 0.039 0.000 2.714 0.552 0.000 9.961 1.807 2.430

12 3.332 0.627 1.650 3.176 4.548 16.920 6.737 13.685 20.130

13 0.018 1.520 5.040 0.106 0.066 4.680 13.218 0.041 2.760

14 0.017 0.000 0.000 5.151 0.000 0.000 8.672 2.010 3.270

FEBRUARI

15 4.654 0.000 0.000 0.842 0.000 1.140 10.761 0.037 0.000

16 0.591 0.787 1.320 3.363 0.122 2.610 8.616 0.760 0.300

17 27.656 1.216 0.000 0.684 0.512 1.860 12.757 5.325 12.720

18 0.772 10.274 17.040 1.082 4.587 7.200 7.278 1.433 1.890

19 0.718 8.791 4.470 28.304 0.276 0.000 4.601 0.581 1.440

101.42
20 10.725 12.810 36.010 26.479 23.160 13.739 12.910 14.970
7

21 0.281 4.060 6.030 8.158 16.832 15.360 23.637 44.119 33.960

22 7.106 15.115 0.000 16.434 28.767 19.680 20.173 48.953 56.370

23 10.442 47.948 37.590 7.178 34.254 48.150 12.252 26.669 49.200

24 0.000 32.127 2.670 3.006 59.630 50.910 9.850 84.072 49.950

25 0.000 31.614 0.000 1.224 45.269 0.000 1.482 23.520 1.800

26 0.141 0.463 0.510 0.955 3.325 1.080 8.951 9.035 1.440

27 29.533 8.447 0.000 20.460 23.355 0.000 6.241 29.350 0.510

28 11.753 27.201 33.330 29.969 44.957 29.220 9.930 28.446 7.980