SIMULASI KEJADIAN HUJAN LEBAT MENGGUNAKAN MODEL WRF-ARW (STUDI KASUS TANGGAL 5 JANUARI 2013 DI MAROS, SULAWESI SELATAN)

Transkripsi

1 SIMULASI KEJADIAN HUJAN LEBAT MENGGUNAKAN MODEL WRF-ARW (STUDI KASUS TANGGAL 5 JANUARI 2013 DI MAROS, SULAWESI SELATAN) HEAVY RAIN EVENT SIMULATION USING WRF-ARW MODEL (CASE STUDY JANUARY 5 th, 2013 IN MAROS, SOUTH SULAWESI) Noor Jannah Indriyani 1) Drs. R. M. Rahadi Prabowo, M.Sc 2) 1) noorjannahindriyani@gmail.com 2) Badan Meteorologi Klimatologi dan Geofisika m.prabowo@gmail.com ABSTRAK Pada tanggal 5 Januari 2013 telah terjadi hujan lebat bahkan diikuti dengan banjir di sebagian besar wilayah di Kabupaten Maros yang mengakibatkan ribuan rumah terendam dan ratusan warga diungsikan. Fenomena hujan lebat dapat dikaji dari sisi meteorologis dan non meteorologis. Untuk mengetahui bagaimana kondisi meteorologis pada saat terjadinya hujan lebat pada tanggal 5 Januari 2013 di Maros maka dilakukan simulasi menggunakan model WRF-ARW (Weather Research and Forecasting-Advanced Research WRF). Metode yang digunakan dalam penelitian ini adalah dengan melakukan percobaan running dengan beberapa kombinasi skema untuk menentukan skema yang paling sesuai. Penentuan skema yang paling sesuai dilakukan dengan cara menghitung korelasi dan RMSE dari hasil keluaran tiap skema dengan data observasi permukaan. Setelah mendapatkan hasil keluaran model WRF-ARW yang paling sesuai, langkah selanjutnya adalah melakukan analisis terhadap hasil keluaran dengan skema yang paling sesuai tersebut. Hasil analisis menunjukkan bahwa skema parameterisasi Kain-Fritsch adalah skema parameterisasi yang paling sesuai untuk digunakan dalam simulasi kejadian hujan lebat pada tanggal 5 Januari 2013 di Maros, sedangkan keadaan atmosfer pada saat terjadinya hujan lebat menunjukkan adanya kelembaban relatif per lapisan yang basah, CAPE yang tinggi, serta adanya konvergensi yang sama-sama mendukung untuk terjadinya pertumbuhan awan-awan konvektif yang dapat menyebabkan hujan lebat yang bahkan disertai kilat dan petir. Kata kunci: hujan lebat, skema parameterisasi, model, WRF-ARW, konvergensi. ABSTRACT On January 5, 2013 has taken place even heavy rains followed by floods in most areas in Maros regency which resulted in thousands of homes submerged and hundreds of residents were evacuated. The phenomenon of heavy rain can be assessed in terms of meteorological and nonmeteorological. To find out how the meteorological conditions at the time of heavy rains on January 5, 2013 in Maros then performed simulations using the model WRF-ARW (Weather Research and Forecasting-Advanced Research WRF). The method used in this research is to conduct experiments running with some combination of schemes to determine the most appropriate scheme. The determination of the most appropriate scheme carried out by calculating the correlation and RMSE of the output of each scheme with surface observation data. After getting the WRF-ARW model outputs the most appropriate next step is to conduct an analysis of the output with the most appropriate scheme. The analysis showed that Kain-Fritsch parameterization scheme is the most appropriate parameterization scheme for use in a heavy rain event simulation on January 5, 2013 in Maros, while the state of the atmosphere in the event of heavy rain showed relative humidity per layer of wet, high CAPE, as well as the convergence equally support for the growth of convective clouds that can cause heavy rain accompanied by lightning and thunder even. Keywords: rain, parameterization schemes, models, WRF-ARW, convergence.

2 I. PENDAHULUAN Pada tanggal 5 Januari 2013 telah terjadi hujan lebat bahkan diikuti dengan banjir di beberapa wilayah di Kabupaten Maros. Banjir ini mengakibatkan tergenangnya jalan protokol yang merupakan jalan penghubung Maros- Pangkep dan Bone, selain itu air juga merendam halaman kantor bupati setinggi 50 centimeter, kompleks perumahan, pasar tua, permukiman Butta Toa, Perumnas Tumalia, BTN Panritabola, BTN Rejana, dan sepanjang bantaran Sungai Maros. Dalam musibah ini, setidaknya 5892 rumah di enam kelurahan di Kecamatan Turikale terendam banjir. Sedangkan di Kelurahan Boribellaia, Kecamatan Turikale, ada lima lingkungan yang terisolasi dengan 800 kepala keluarga, dengan ketinggian air mencapai 1.5 meter. Sementara itu, semua warga yang kehilangan tempat tinggal sebagian diungsikan ke kantor Bupati Maros, yang dijadikan posko penanggulangan bencana ( Hujan lebat yang diikuti banjir yang terjadi di Maros pada tanggal 5 Januari 2013 dapat ditinjau dari sisi meteorologis dan non meteorologis. Pada penelitian ini penulis tertarik untuk mengetahui bagaimana kondisi meteorologis pada waktu sebelum, saat dan setelah kejadian hujan lebat yang diikuti banjir yang terjadi di Maros pada tanggal 5 Januari 2013 menggunakan model WRF-ARW (Weather Research and Forecasting-Advanced Research WRF) dimana hasil keluaran dari model ini yang akan dijadikan bahan untuk mensimulasikan kejadian hujan lebat ini. II. DASAR TEORI 2.1 TINJAUAN PUSTAKA Simulasi Analisis dan Forecast Hasil Model WRF-ARW (Studi Kasus Hujan Lebat di Putussibau Tanggal 3-4 April 2013) Tanggal 3 April 2013 terjadi curah hujan lebat (curah hujan 110 mm dalam satu hari) yang menyebabkan banjir di sebagian besar wilayah Putussibau. Variabilitas kondisi atmosfer pada daerah khatulistiwa yang tinggi mengakibatkan kesulitan dalam simulasi cuaca khususnya di Putussibau. Maka dari pada itu dibutuhkan model cuaca skala meso yang mampu mendekati kondisi atmosfer sesungguhnya. Salah satu model cuaca yang digunakan untuk melakukan simulasi cuaca di Putussibau adalah model WRF-ARW. Pada penelitian ini metode yang digunakan adalah dengan cara running (menjalankan) model WRF-ARW menggunakan 3 skema parameterisasi kumulus. Dari hasil ketiga skema tersebut dilakukan verifikasi secara temporal maupun spasial untuk mendapatkan skema parameterisasi sesuai dengan data observasinya. Kemudian menganalisis kondisi atmosfer pada saat sebelum kejadian hujan lebat dengan menggunakan skema parameterisasi yang sesuai. Hasil verifikasi menunjukkan bahwa skema1 parameterisasi cumulus (skema KF) merupakan skema yang lebih baik dibanding skema2 (skema BMJ) atau skema3 (skema GD) baik untuk data FNL maupun GFS. Analisis kondisi atmosfer menunjukkan bahwa pada saat sebelum kejadian hujan lebat yang terjadi di Putussibau terdapat adanya konvergensi dan shearline. Kondisi kelembaban per lapisan yang basah dan nilai CAPE yang cukup tinggi (mencapai 1800 J/kg) turut mendukung proses pembentukan awan awan konvektif yang berpotensi menimbulkan hujan lebat di Putussibau Pengaruh Parameterisasi Kumulus terhadap Simulasi Angin Kencang di Makassar dengan Menggunakan WRF Dari bulan September 2010 hingga Maret 2011, berbagai media cukup banyak menginggung tentang kejadian angin kencang yang melanda wilayah Sulawesi. Pada 16 Januari 2011 tercatat sekitar 165 rumah di kota Makassar rusak akibat adanya angin kencang. Paper ini membahas tentang simulasi kejadian tersebut menggunakan model Weather Regional Forecast dengan meninjau pengaruh parameterisasi kumulus. Waktu simulasi yang digunakan adalah 15 Januari UTC sampai 17 Januari UTC. Selanjutnya hasil model diverifikasi dengan menggunakan data observasi. Kemudian hasil model untuk masing-masing kasus akan dinilai secara kuantitatif maupun kualitatif. Variabel yang dibandingkan pada masing-masing kasus meliputi laju dan arah angin, dan kelembaban udara. Selanjutnya dilakukan analisa

3 pengaruh dari ketiga parametersasi kumulus. Parameterisasi yang digunakan adalah Kain Fritsch, Betts Miller Janjick, dan Grell Devenyi. Penggunaan parameterisasi kumulus yang berbeda akan menghasilkan laju angin yang berbeda pada output model. Terjadinya angin tersebut dipengaruhi oleh proses konveksi. Proses konveksi untuk tiap skema berbeda-beda dan perbedaan tersebut terletak pada asumsi yang ada di dalam setiap skema. Untuk daerah Sulawesi bagian selatan dengan kelembapan tinggi, skema yang baik digunakan adalah skema parameterisasi kumulus BMJ dengan salah satu pemicu konveksi berupa kondisi udara yang lembab. 2.2 LANDASAN TEORI WRF-ARW (Weather Research and Forecasting-Advanced Research WRF) WRF adalah salah satu model prediksi cuaca numerik skala meso yang digunakan secara luas dalam prediksi cuaca di seluruh dunia. WRF-ARW (Weather Research and Forecasting-Advanced Research WRF) merupakan salah satu pengembangan dari WRF yang dilakukan oleh NCAR (National Center for Atmospheric Research), NCEP (National Centers for Environmental Prediction) Colorado-Amerika Serikat dan NOAA (National Oceanic and Atmospheric Administration) yang bekerja sama dengan AFWA (Air Force Weather Agency) serta instansi lainnya. Model WRF-ARW memberikan beberapa kemampuan yang lebih baik dibandingkan model cuaca lainnya serta menawarkan kombinasi bermacammacam opsi fisis. WRF-ARW merupakan salah satu model NWP dimana didalamnya terdapat sekumpulan sistem persamaan matematis komputer yang merepresentasikan secara numerik proses pembentukan cuaca di atmosfer Persamaan-persamaan dalam WRF merupakan persamaan kompresibel nonhidrostatik, namun WRF juga menyediakan opsi hidrostatik untuk keperluan penelitian (Skamarock et al., 2005 dalam Mulya, 2014) Data Input dan Output Model Data yang diperlukan dalam menjalankan model WRF ada 2 yaitu: 1. Data statik (lower boundary data) Data statik digunakan sebagai batas bawah model yang terdiri atas: data topografi (ketinggian tempat), data tata guna lahan (land use), data tipe tanah (soil type), data fraksi tanaman (vegetation fraction), data sebaran daratan lautan (land-sea mask). 2. Data dinamik (initial and lateral boundary condition) Data dinamik digunakan sebagai inisial dan lateral boundary condition. Data ini biasanya diambil dari output prediksi model global GFS (Global Forecast System), ECMWF (European Center for Medium- Range Weather Forecast) atau data analisis global seperti NCEP FNL dan NCEP Reanalysis. Format data yang diterima oleh model WRF untuk data input dan output bisa bermacam-macam. Untuk data statik WRF menggunakan format simple binary. Untuk input berupa data dinamik, WRF bisa menerima format grib dan netcdf. Sedangkan untuk output, WRF biasanya menggunakan format nonstandard netcdf. Meskipun tidak standar, akan tetapi WRF menyediakan software untuk mengubah format outputnya agar bisa dibuka oleh graphic tools seperti GrADS atau Vis5D (Hadi dkk., 2011) Teknik Downscaling dan Nesting Downscaling merupakan suatu teknik untuk menaikkan resolusi model dengan cara menurunkan skala grid pada model global menjadi skala regional pada domain yang diinginkan. Resolusi model global yang digunakan dalam penelitian ini adalah 1 x1 atau sama dengan 111 km x 111 km. Dengan melakukan downscaling, maka resolusi model akan meningkat sesuai dengan yang kita inginkan, misalnya menjadi 30 km x 30 km. Downscaling tidak hanya memotong data (cropping) dari domain besar ke domain yang lebih kecil, akan tetapi melakukan interpolasi data dari satu grid besar menjadi grid-grid yang lebih kecil dengan nilai yang belum tentu sama dengan nilai grid induknya Parameterisasi Parameterisasi merupakan suatu proses yang diperlukan model untuk menjelaskan fenomena-fenomena yang terjadi di dalam grid model. Model NWP tidak bisa menjelaskan proses-proses yang muncul di

4 dalam sebuah kotak grid. Seperti adanya gaya gesek yang besar saat aliran melewati pohon yang tinggi, turbulen eddy yang muncul di sekitar gedung-gedung atau penghalang lainnya, dan gaya gesek yang jauh lebih kecil di atas area yang terbuka. Model harus menghitung efek agregat dari permukaan yang mempengaruhi aliran level bawah dengan sebuah single number yang dapat sejalan dengan bentuk gaya gesek di persamaan prediksi angin. Sehingga diperlukan parameterisasi untuk menghitung efek-efek tersebut tanpa secara langsung memprediksinya (Hadi dkk., 2011) Parameterisasi Kumulus Parameterisasi kumulus merupakan salah satu cara dalam meninjau pembentukan awan dan hujan yang terjadi akibat pemanasan (konveksi) dalam suatu model. Macam-macam skema parameterisasi kumulus menurut Hadi dkk. (2011) adalah sebagai berikut: 1) Skema Kain-Fritsch Skema Kain-Fritsch didesain untuk ukuran grid km. Skema ini memuat proses fisik awan yang sangat lengkap dalam parameterisasi konvektif. Skema ini mengasumsikan nilai CAPE yang besar sehingga memungkinkan pertumbuhan awan hingga lapisan atas. Akan tetapi skema ini juga memperhitungkan efek downdraft dan updraft yang sangat penting dalam proses pembentukan awan. 2) Skema Betts-Miller-Janjic Skema Betts-Miller-Janjic mengasumsikan kondisi inisial CAPE yang tidak terlalu besar. Terdapat struktur termodinamika quasi-equilibrum dimana lingkungannya berpindah akibat konveksi. Skema ini menyediakan kelembaban yang banyak sehingga curah hujan yang dihasilkan pada awal perhitungan memiliki nilai yang lebih banyak dari pada skema lain. Proses konveksi yang tidak terjadi secara terus menerus menyebabkan total curah hujan yang lebih kecil dari pada skema lain. 3) Skema Grell-Devenyi Skema Grell-Devenyi merupakan skema yang dimodifikasi sehingga mirip seperti Kain-Fritsch. Skema ini sangat baik untuk grid km, dengan memperhitungkan efek downdraft akan tetapi tidak memperhitungkan efek entrainmentdetrainment Kelembaban Udara Menurut Soepangkat (1994), kelembaban udara adalah banyaknya uap air yang terkandung dalam udara atau atmosfer. Kelembaban udara adalah salah satu unsur yang berperan penting dalam pembentukan cuaca. Udara yang suhunya yang lebih tinggi mempunyai kemampuan menyimpan uap air lebih banyak dibandingkan udara yang suhu lebih rendah, karena di dalam udara yang suhunya rendah uap air mudah mengembun kembali menjadi air Konvergensi dan Konfluensi Konvergensi merupakan daerah pertemuan angin dimana kecepatan anginnya semakin kecil. Konvergensi dengan wilayah luas di derah tropis disebut Intertropical Convergence Zone (ITCZ) (Zakir dkk., 2010). Bila angin streamline menyempit maka disebut konfluensi. Bila diikuti faktor kecepatan angin disebut konvergensi. Konfluensi menyebabkan bertambahnya partikel udara. Udara akan terangkat yang akan mengakibatkan tumbuhnya awan-awan konvektif (Cu dan Cb) dan menghasilkan cuaca buruk. Namun tidak semua atau sepanjang konfluensi bercuaca buruk. Terangkat atau tidaknya udara berkaitan dengan nilai divergensi CAPE (Convective Available Potential Energy) CAPE merupakan area dimana suatu parsel udara lebih panas daripada lingkungannya. Area tersebut menunjukkan jumlah energi yang tersedia untuk parsel udara tersebut bergerak ke atas. CAPE dinyatakan dengan J/Kg. CAPE adalah salah satu indikator yang kuat untuk mengindikasi adanya potensi intensitas konvektif dan dapat digunakan untuk mengukur kelabilan atmosfer. Dalam meteorologi, CAPE disebut sebagai APE (Available Potential Energy) yaitu jumlah energi suatu parsel saat terangkat pada jarak tertentu secara vertikal di atmosfer (Ameka, 2005). Besarnya nilai CAPE dapat ditentukan dengan rumus: Dimana: zn zf CAPE = = Equilibrium Level = Level Of Free Convection

5 g Tv parsel Tv env = Kecepatan gravitasi bumi = Suhu virtual parsel udara = Suhu virtual lingkungan Besar CAPE sama dengan luas area positif pada diagram aerogram. Klasifikasi yang digunakan adalah sebagai berikut: a. CAPE < 1000 J/kg maka stabilitas konvektif lemah. b < CAPE < 2500 J/kg maka stabilitas konvektif sedang. c. CAPE > 2500 J/kg maka stabilitas konvektif kuat, berpeluang tornado. (Zakir dkk., 2010) III. METODE PENELITIAN 3.1 Data Lokasi dan Waktu Penelitian a. Lokasi penelitian: Kabupaten Maros, Sulawesi Selatan yang terletak pada posisi 4 o 45 LS sampai dengan 5 o 07 LS dan 119 o 205 BT sampai dengan 120 o 12 BT, dengan mengambil sampel lokasi yakni Stasiun Meteorologi Klas I Hasanuddin, Maros yang terletak pada koordinat: 05 o LS dan 119 o BT b. Waktu penelitian: Tanggal 4 dan 5 Januari Kelengkapan Data Data yang digunakan dalam penelitian ini adalah: a. Data FNL (Final Analysis) Data FNL merupakan data reanalysis yang digunakan sebagai data input model WRF-ARW pada tanggal 4 dan 5 Januari 2013 yang diunduh dari dengan resolusi spasial 1 x 1 dan resolusi temporal 6 jam. b. Data Sinop Data sinop dari Stasiun Meteorologi Klas I Hasanuddin, Maros pada tanggal 5 Januari 2013 yang digunakan sebagai data verifikasi hasil keluaran model WRF-ARW. 3.2 Alat Alat yang digunakan dalam penelitian ini adalah: a. WRF-ARW Weather Research and Forecasting- Advanced Research WRF (WRF- ARW) merupakan model generasi lanjutan sistem prediksi cuaca numerik skala meso yang didesain untuk melayani prediksi operasional dan kebutuhan penelitian atmosfer. Versi WRF-ARW yang digunakan dalam penelitian adalah WRF V b. WRF Domain Wizard WRF Domain Wizard adalah program berbasis java dengan tampilan user bergambar buatan sekelompok ilmuan NOAA. WRF Domain Wizard digunakan untuk menentukan domain yang kita inginkan, membuat namelist secara otomatis, dan menjalankan WPS secara otomatis. Sehingga seluruh output dari WRF Domain Wizard ini dapat langsung digunakan untuk run model WRF. WRF Domain Wizard dapat diunduh dan diinstal melalui c. GrADS Grads adalah aplikasi interaktif yang digunakan untuk memudahkan akses, manipulasi dan visualisasi dari suatu data ilmu kebumian. Aplikasi ini dikembangkan oleh bagian riset National Aeronautics and Space Administration (NASA) dan Center for Ocean-Land-Atmosphere Studies (COLA) dan NSF. Penelitian ini menggunakan GraDS. Selain itu proses penentuan nilai variabel juga dapat dilakukan dengan membuat script kemudian dijalankan pada aplikasi ini. 3.3 Metode Metode yang digunakan dalam penelitian ini adalah metode eksperimen analisis. Eksperimen yang dimaksud adalah melakukan percobaan running dengan beberapa kombinasi skema untuk menentukan skema yang paling sesuai. Skema parameterisasi yang dibandingkan yakni skema parameterisasi kumulus, antara lain skema parameterisasi Kain-Fritsch, Betts-Miller-Janjic dan Grell-Devenyi,

6 sedangkan pengaturan konfigurasi WRF-ARW yang lain menggunakan konfigurasi default. Penentuan skema yang paling sesuai dilakukan dengan cara menghitung korelasi dan RMSE dari hasil keluaran tiap skema dengan data observasi permukaan. Setelah mendapatkan hasil keluaran model WRF-ARW yang paling sesuai, langkah selanjutnya adalah melakukan analisis terhadap hasil keluaran dengan skema yang paling sesuai tersebut. Langkah kerja dalam penelitian ini dibagi menjadi beberapa tahap. Tahapan-tahapan tersebut adalah: 1. Mendownload data FNL untuk tanggal 4 dan 5 Januari Mengumpulkan data pengamatan cuaca permukaan (sinoptik) dari Stasiun Meteorologi Klas I Hasanuddin, Maros dan data satelit TRMM tanggal 5 Januari Merunning WRF a. Dalam tahap ini, langkah awal yang dilakukan adalah menentukan domain. Penelitian ini menggunakan 3 domain (30 km, 10 km dan 3 km) dengan titik poin berada di Stasiun Meteorologi Klas I Hasanuddin, Maros. b. Menyelesaikan tahap preprocessing yakni geogrid, ungrib, dan metgrid pada WRF- Processing (WPS). Gambar 3.1 Domain Penelitian Nama Eksperimen Eksperimen 1 Eksperimen 2 Eksperimen 3 Parameterisasi Kumulus Kain-Fritsch Betts-Miller-Janjic Grell-Devenyi Setelah tahap pre-processing tersebut selesai, maka tahap selanjutnya adalah tahap real.exe dan wrf.exe, dimana dalam proses ini persamaan-persamaan fisis mulai digunakan. c. Tahap terakhir adalah tahap postprocessing dengan menggunakan ARWpost untuk mengubah data menjadi format.dat dan.ctl, proses analisis dilakukan dengan

7 men-display data.ctl pada software GrADS 2.0. Pada penelitian ini menggunakan 3 domain, yakni 30 km, 10 km dan 3 km serta akan dilakukan pengujian pada skema parameterisasi kumulus yakni skema Kain-Fritsch, Betts-Miller- Janjic dan Grell-Devenyi. 5. Menentukan skema yang paling sesuai dengan menggunakan hasil keluaran WRF-ARW yang berkaitan dengan kejadian hujan lebat dengan cara membandingkan data temperature udara, tekanan udara dan hujan dari hasil observasi permukaan dengan data temperature udara, tekanan udara dan hujan dari hasil keluaran model WRF-ARW menggunakan metode statistik sederhana yakni dengan mencari nilai korelasi dan RMSE (Root Mean Square Error) sehingga diperoleh skema yang sesuai dalam penelitian ini. Skema yang paling sesuai dipilih apabila antara variabel data observasi dengan data hasil keluaran tiap skema memiliki hubungan korelasi - 1 r 1. Menurut Murray R. Spiegel (2008) dalam Fauziah (2014), persamaan yang digunakan untuk menghitung korelasi adalah: = ( å ) (å å ) ( å (å ) )( å (å ) ) Dimana r merupakan korelasi, x dan y merupakan variabel yang dibandingkan dimana x adalah nilai observasi dan y adalah nilai hasil keluaran model serta n menunjukkan banyaknya data. Sedangkan nilai Root Mean Square Error (RMSE) dihitung untuk mendapatkan nilai yang memiliki error/kesalahan paling kecil bila dibandingkan dengan hasil observasi. Menurut WMO (2012) dalam Fauziah (2014), RMSE sering digunakan untuk menampilkan akurasi dari prakiraan dan ditulis dengan persamaan berikut: = å ( ) Dimana N merupakan banyaknya data, F merupakan nilai hasil keluaran model dan O merupakan nilai hasil observasi. Jika RMSE mendekati 0, artinya nilai yang dibandingkan (nilai hasil hasil keluaran model) mendekati dengan nilai yang sebenarnya (hasil observasi). Untuk model yang sempurna mendekati hasil observasi adalah model yang nilai RMSE nya Setelah mendapatkan skema parameterisasi yang paling sesuai, langkah selanjutnya adalah menganalisis kondisi atmosfer pada saat kejadian hujan lebat dengan skema yang paling sesuai tersebut. Parameter yang dianalisis adalah kelembaban per lapisan, angin dan CAPE. 7. Menyimpulkan hasil analisis. IV. HASIL DAN PEMBAHASAN 4.1 Verifikasi Model WRF-ARW Verifikasi model WRF-ARW dilakukan dengan tujuan untuk mengetahui performa hasil keluaran model WRF-ARW tiap skema yang dirunning terhadap hasil observasi dari Stamet Hasanuddin, Maros pada tanggal 5 Januari Verifikasi dilakukan dengan cara membandingkan hasil keluaran model WRF-ARW tiap skema dengan hasil observasi dari Stasiun Meteorologi Klas I Hasanuddin, Maros pada tanggal 5 Januari 2013 baik secara grafik time series, korelasi maupun RMSE, dimana data yang diverifikasi adalah data temperatur dan tekanan udara.

8 4.1.1 Verifikasi dengan Time Series Temperatur Udara Tekanan Udara Gambar 4.1 Grafik Perbandingan Temperatur Udara Hasil Keluaran Model WRF-ARW Tiap Skema terhadap Hasil Observasi Stamet Hasanuddin, Maros 5 Januari 2013 Gambar 4.1 di atas merupakan grafik perbandingan temperatur udara hasil keluaran model WRF-ARW tiap skema terhadap hasil observasi Stamet Hasanuddin, Maros pada tanggal 5 Januari 2013 jam s/d UTC. Dari grafik di atas, terlihat bahwa pada grafik hasil observasi, terjadi penurunan temperatur udara dari jam s/d UTC, kemudian mengalami kenaikan sampai dengan jam UTC dan mengalami temperatur udara maksimum pada jam tersebut. Setelah itu, terjadi penurunan suhu sampai dengan jam UTC, hingga mengalami temperatur udara minimum pada jam UTC, kemudian mengalami kenaikan kembali sampai dengan jam UTC. Sedangkan pada grafik hasil keluaran model WRF-ARW, secara umum, ketiganya menunjukkan fluktuasi yang hampir sama dengan hasil observasi, namun terdapat perbedaan pola fluktuasi yakni pada jam s/d UTC, yakni adanya kenaikan temperatur udara, yang apabila dibandingkan dengan grafik hasil observasi justru mengalami penurunan. Secara subjektif, skema Kain-Fritcsh dan skema Grell Devenyi memiliki pola variasi yang hampir sama dengan data observasi sedangkan skema Betts-Miller-Janjic memiliki pola yang tidak beraturan. Gambar 4.2 Grafik Perbandingan Tekanan Udara Hasil Keluaran Model WRF-ARW Tiap Skema terhadap Hasil Observasi Stamet Hasanuddin, Maros 5 Januari 2013 Gambar 4.2 di atas merupakan grafik perbandingan tekanan udara hasil keluaran model WRF-ARW tiap skema terhadap hasil observasi Stamet Hasanuddin, Maros pada tanggal 5 Januari 2013 jam s/d UTC. Dari grafik di atas, terlihat bahwa pada grafik hasil observasi, pada jam s/d UTC mengalami kenaikan tekanan udara, pada jam s/d UTC mengalami penurunan tekanan udara, pada jam s/d UTC mengalami kenaikan tekanan udara, dan pada jam s/d UTC mengalami penurunan tekanan udara. Setelah itu, pada jam s/d UTC mengalami kenaikan tekanan udara, hingga mengalami tekanan udara maksimum pada jam UTC, kemudian tekanan udara berangsur-angsur menurun hingga pada jam UTC mengalami tekanan udara minimum, kemudian berangsur-angsur naik kembali sampai jam UTC. Sedangkan pada grafik hasil keluaran model WRF-ARW, secara umum, ketiganya menunjukkan fluktuasi yang hampir sama dengan hasil observasi, namun perbedaan nilai tekanan udara hasil keluaran model WRF-ARW dengan data observasi di atas dapat diketahui bahwa selisih antar ketiga skema dengan data observasinya sangat besar hingga mencapai 9.3 mb. Secara subjektif, ketiga skema memiliki pola variasi yang hampir sama dengan data observasi.

9 4.1.2 Verifikasi dengan Korelasi Verifikasi dengan RMSE Gambar 4.3 Diagram Korelasi Temperatur dan Tekanan Hasil Keluaran Model WRF- ARW terhadap Hasil Observasi Stamet Hasanuddin, Maros 5 Januari 2013 Gambar 4.3 di atas adalah diagram korelasi temperatur dan tekanan hasil keluaran model WRF-ARW terhadap hasil observasi dari Stamet Hasanuddin, Maros pada tanggal 5 Januari Dari diagram di atas, terlihat bahwa korelasi untuk parameter suhu untuk tiap skema yakni Kain-Fritsch, Betts-Miller-Janjic dan Grell-Devenyi masing-masing adalah 0.72, 0.49, dan 0.56, sehingga dapat diketahui bahwa korelasi terbesar untuk parameter temperatur udara adalah pada skema Kain-Fritsch. Sedangkan korelasi untuk parameter tekanan udara tiap skema yakni Kain-Fritsch, Betts-Miller- Janjic dan Grell-Devenyi masing-masing adalah 0.44, 0.42 dan 0.12, sehingga dapat diketahui bahwa korelasi terbesar untuk parameter tekanan udara adalah pada skema Kain-Fritsch. Hal ini berarti bahwa untuk data temperatur dan tekanan udara, hasil keluaran model WRF-ARW untuk skema Kain-Fritsch mempunyai data dengan pola fluktuasi yang paling mendekati dengan data observasi sebenarnya dari Stamet Hasanuddin, Maros pada tanggal 5 Januari Gambar 4.4 Diagram RMSE Temperatur dan Tekanan Hasil Keluaran Model WRF-ARW terhadap Hasil Observasi Stamet Hasanuddin, Maros 5 Januari 2013 Gambar 4.4 di atas adalah diagram RMSE temperatur dan tekanan hasil keluaran model WRF-ARW terhadap hasil observasi dari Stamet Hasanuddin, Maros pada tanggal 5 Januari Dari diagram di atas, terlihat bahwa RMSE untuk parameter temperatur untuk tiap skema yakni Kain-Fritsch, Betts- Miller-Janjic dan Grell-Devenyi masingmasing adalah 2.32, 1.42 dan 1.97, sehingga dapat diketahui bahwa RMSE terkecil untuk parameter temperatur udara adalah pada skema Betts-Miller-Janjic. Sedangkan korelasi untuk parameter tekanan udara tiap skema yakni Kain-Fritsch, Betts-Miller- Janjic dan Grell-Devenyi masing-masing adalah 6.85, 6.29 dan 6.52 sehingga dapat diketahui bahwa korelasi terbesar untuk parameter tekanan udara adalah pada skema Betts-Miller-Janjic. Dari hasil verifikasi secara time series, korelasi maupun RMSE, secara subyektif, parameterisasi yang paling sesuai untuk digunakan dalam pemodelan WRF-ARW untuk studi kasus hujan lebat di Stamet Hasanuddin Maros adalah parameterisasi Kain-Fritsch. Oleh karena itu, selanjutnya dilakukan analisis kondisi atmosfer pada saat kejadian hujan lebat di Maros, Sulawesi Selatan dengan hasil keluaran dari model WRF-ARW dengan parameterisasi Kain- Fritsch.

10 4.2 Analisis Kondisi Atmosfer dengan Skema Parameterisasi Kain-Fritsch Berdasarkan hasil verifikasi antara data hasil keluaran model WRF-ARW tiap skema yang dirunning terhadap data hasil observasi dari Stamet Hasanuddin, Maros, secara subyektif, hasil keluaran model WRF- ARW dengan skema parameterisasi Kain- Fritsch merupakan skema yang dianggap paling sesuai untuk merepresentasikan kondisi atmosfer pada saat kejadian hujan lebat pada tanggal 5 Januari 2013 di Maros, Sulawesi Selatan. Oleh karena itu analisis kondisi atmosfer pada saat kejadian hujan lebat pada tanggal 5 Januari 2013 di Maros, Sulawesi Selatan dilakukan dengan menggunakan hasil keluaran model WRF- ARW dengan skema parameterisasi Kain- Fritsch untuk parameter kelembaban relatif per lapisan, CAPE, dan streamline yakni sebagai berikut: mb nilai kelembaban udara 90%, yang berarti bahwa kelembaban udara dari lapisan permukaan hingga lapisan 500 mb dalam keadaan lembab. Hal ini menunjukkan bahwa nilai kelembaban per lapisan yang tinggi cukup mendukung dalam proses pembentukan awan-awan konvektif. Seperti penelitian sebelumnya yang dilakukan oleh Seto (2000) yang menyatakan bahwa secara umum nilai kelembaban pada setiap level selama kegiatan yang hampir sama yaitu 80%, 60%, dan 50%, masing-masing untuk level 850 mb, 700 mb, dan 500 mb mendukung dalam proses pertumbuhan awan. Hal ini bersesuaian dengan data sinoptik, yang menyatakan bahwa hujan lebat yang terjadi adalah pada pagi hingga siang hari Analisis CAPE Analisis Kelembaban Udara per Lapisan Gambar 4.5 Kelembaban Udara per Lapisan Stamet Hasanuddin, Maros 5 Januari 2013 Gambar 4.5 di atas adalah gambar kelembaban udara per lapisan untuk titik Stamet Hasanuddin, Maros pada tanggal 5 Januari Dari gambar di atas, terlihat bahwa dari tanggal 4 Januari 2013 jam s/d tanggal 5 Janauari 2013 jam UTC, secara umum, dari lapisan permukaan hingga lapisan 500 mb, kelembaban udara berkisar antara 90 s/d 100%, dengan rincian yakni pada lapisan 850 mb nilai kelembaban udara 90%, pada lapisan 700 mb nilai kelembaban udara 90%, pada lapisan 500 Gambar 4.6 Grafik CAPE secara Temporal Titik Stamet Hasanuddin, Maros 4 Januari UTC s/d 6 Januari UTC Lapisan 950 mb `Gambar 4.6 di atas merupakan grafik CAPE secara temporal titik Stamet Hasanuddin, Maros pada tanggal 4 Januari UTC s/d 6 Januari UTC lapisan 950 mb. Pada grafik di atas, terlihat bahwa pada pada tanggal 4 Januari 2013 jam UTC s/d 5 Januari 2013 jam UTC, telah terjadi peningkatan nilai CAPE, pada titik pengamatan yakni Stamet Hasanuddin, Maros hingga mencapai nilai 2500 J/kg yang berarti bahwa telah terjadi proses konvektif kuat. Hal ini mengindikasikan bahwa pada jam tersebut telah terjadi pembentukan awan yang intensif, yang kemungkinan dapat

11 mengahasilkan hujan lebat hingga menimbulkan kilat dan guntur. Gambar 4.7 CAPE secara Spasial 5 Januari 2013 Jam UTC Lapisan 950 mb Gambar 4.7 di atas merupakan gambar CAPE secara spasial pada tanggal 5 Januari UTC Lapisan 950 mb. Pada gambar di atas terlihat bahwa pada jam tersebut, terlihat nilai CAPE yang tinggi pada wilayah Maros, Sulawesi Selatan yakni mencapai nilai 2500 J/kg yang berarti bahwa telah terjadi aktivitas konvektif yang kuat. Hal ini mengindikasikan bahwa pada jam tersebut telah terjadi pembentukan awan yang intensif, yang kemungkinan dapat mengahasilkan hujan lebat hingga menimbulkan kilat dan guntur Analisis Streamline

12 Gambar 4.8 Streamline Angin 10 meter 4 Januari 2013 Jam UTC s/d 5 Januari 2013 Jam UTC

13 Gambar 4.8 di atas menunjukkan peta arus angin (streamline) angin 10 meter pada tanggal 4 Januari 2013 Jam UTC, UTC, dan tanggal 5 Januari 2013 Jam UTC, UTC, UTC, UTC, UTC, UTC, dan UTC. Dari peta streamline di atas, untuk wilayah Indonesia arah angin dominan bertiup dari arah barat. Dengan keadaan angin seperti ini, dapat dikatakan bahwa pada waktu terjadi hujan lebat yang diikuti banjir di Maros pada tanggal 5 Januari 2013, wilayah Indonesia sedang terjadi musim hujan, dimana angin dominan adalah angin muson barat, dimana angin bertiup dari daratan Asia menuju Australia yang membawa banyak uap air ke wilayah Indonesia. Dalam kondisi musim hujan seperti ini perlu diwaspadai munculnya kondisi cuaca dengan intensitas hujan yang cenderung lebat. Dari gambar di atas, pada wilayah Maros, Sulawesi Selatan, terlihat adanya konvergensi, dimana konvergensi ini menunjukkan terjadinya penumpukkan massa udara di atas wilayah Maros, Sulawesi Selatan yang kemungkinan dapat menyebabkan meningkatnya aktivitas pertumbuhan awan-awan yang dapat menimbulkan hujan lebat Analisis Curah Hujan Gambar 4.9 Grafik Curah Hujan Observasi terhadap Model WRF-ARW Titik Stamet Hasanuddin, Maros 5 Januari 2013 Gambar 4.9 di atas adalah grafik curah hujan hasil observasi yang dibandingkan dengan hasil model WRF-ARW. Pada gambar di atas terlihat bahwa pengukuran curah hujan untuk titik Stamet Hasanuddin, Maros, pada jam UTC, UTC, UTC, UTC, UTC, dan UTC, curah hujan hasil keluaran model WRF-ARW cenderung overestimated, sedangkan untuk jam UTC dan UTC, curah hujan hasil keluaran model WRF-ARW cenderung underestimated jika dibandingkan dengan hasil observasinya. Secara umum, untuk titik pengamatan Stamet Hasanuddin, Maros, hasil keluaran model WRF-ARW untuk parameter total curah hujan bersifat overestimated, yakni terlihat dari grafik untuk curah hujan dari hasil observasi tercatat 81.1 mm sedangkan dari hasil keluaran model tercatat sebesar mm. V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan batasan masalah dan hasil analisis yang telah dipaparkan sebelumnya, maka dapat disimpulkan bahwa: 1. Hasil keluaran model WRF-ARW pada domain daerah Maros, Sulawesi Selatan menunjukkan bahwa skema parameterisasi kumulus yaitu skema parameterisasi Kain-Fritsch memiliki nilai verifikasi yang lebih baik jika dibandingkan dengan skema parameterisasi Betts-Miller-Janjic dan skema parameterisasi Grell- Devenyi. Skema parameterisasi Kain- Fritsch memiliki pola fluktuasi yang hampir sama dengan pola fluktuasi data observasinya untuk parameter temperatur dan tekanan udara. 2. Berdasarkan hasil analisis data hasil keluaran model WRF-ARW dengan skema parameterisasi kumulus Kain- Fritsch, kondisi atmosfer menunjukkan bahwa pada saat terjadinya hujan lebat di wilayah Maros, Sulawesi Selatan, kelembaban relatif dari lapisan bawah hingga lapisan atas terlihat dalam keadaan yang basah yang mengindikasikan bahwa telah terjadi pertumbuhan awan yang cukup intensif, selain itu nilai CAPE pada lapisan 950 mb menunjukkan nilai 2500 J/kg yang berarti bahwa terjadi proses konvektif kuat yang turut mendukung pertumbuhan awan, selain itu apabila dilihat dari streamline, terlihat bahwa pada

14 wilayah Maros, Sulawesi Selatan terdapat konvergensi yang turut mendukung pertumbuhan awan di wilayah Maros, Sulawesi Selatan yang dapat menyebabkan hujan lebat di wilayah Maros, Sulawesi Selatan pada tanggal 5 Januari Jadi dapat diketahui bahwa keadaan atmosfer pada saat terjadinya hujan lebat pada tanggal 5 Januari 2013 di wilayah Maros, Sulawesi Selatan menunjukkan adanya kelembaban relatif per lapisan yang basah, CAPE yang tinggi, serta adanya konvergensi yang sama-sama mendukung untuk terjadinya pertumbuhan awan-awan konvektif yang dapat menyebabkan hujan lebat yang bahkan disertai kilat dan petir. 5.2 Saran Dibutuhkan penelitian lebih lanjut mengenai pengujian kombinasi skema parameterisasi pada model WRF-ARW yang tidak terbatas hanya pada parameterisasi kumulus saja, sehingga kemungkinan akan diperoleh konfigurasi yang paling tepat sehingga akan menghasilkan data yang lebih akurat. Soepangkat, Pengantar Meteorologi. Balai Pendidikan dan Latihan Meteorologi dan Geofisika Jakarta. Sulung, G., Priyanka, P., Saraswati, N., Nurfiena, S. P., dan Ricardo, R. L. G Pengaruh Parameterisasi Kumulus terhadap Simulasi Angin Kencang di Makassar dengan Menggunakan WRF. ITB Bandung. Zakir, A., Sulistya, W., Khotimah, M. K Perspektif Operasional Cuaca Tropis. BMKG Jakarta. ml#sfol-wl/data/ds083.2?g=22013 diakses tanggal 28 Desember diakses tanggal 15 Januari /Banjir-Bandang-di-Maros-Ratusan- Warga-Diungsikan diakses tanggal 28 Desember DAFTAR PUSTAKA BMKG KEP.009 Tahun 2010 Tentang Prosedur Standar Operasional Pelaksanaan Peringatan Dini, Pelaporan dan Diseminasi Informasi Cuaca Ekstrim. BMKG Jakarta. Fauziah, Annisa Kajian Cuaca Ekstrim (Angin Kencang) di Bandara Internasional Lombok Dengan Model WRF Tanggal 15 Maret STMKG Jakarta. Hadi, T.W., Junnaedhi, I D. Gd. A., Satrya, L.I., Santriyani, M., Anugrah, M. P., dan Octarina, D.T Pelatihan Model WRF (Weather Research and Forecasting), Laboratorium Analisis Meteorologi (Weather and Climate Prediction Laboratory). Fakultas Ilmu dan Teknologi Kebumian ITB Bandung. Mulya, Aditya Simulasi Analisis dan Forecast Hasil Model WRF-ARW (Studi Kasus Hujan Lebat di Putussibau Tanggal 3-4 April 2013). STMKG Jakarta.