5. HUBUNGAN ANTARA PEUBAH-PEUBAH PENJELAS GCM CSIRO Mk3 DAN CURAH HUJAN BULANAN

Transkripsi

1 5. HUBUNGAN ANTARA PEUBAH-PEUBAH PENJELAS GCM CSIRO Mk3 DAN CURAH HUJAN BULANAN 5.1 Pendahuluan Dalam pemodelan statistical downscaling (SD), khususnya fungsi transfer diawali dengan mencari model hubungan antara peubah penjelas (resolusi rendah: GCM) dan peubah respon (resolusi tinggi: lokal/regional). Model hubungan tersebut dapat diterapkan pada peubah atmosfer (peubah penjelas) yang sama dari berbagai model GCM untuk menentukan kondisi iklim lokal. Peubah atmosfer yang seringkali digunakan sebagai peubah penjelas untuk menduga suhu dan presipitasi adalah sirkulasi skala sinoptik, seperti rataan tekanan permukaan laut (mean sea level pressure: slp) dan ketinggian geopotensial (Giorgi et al. 1). Beberapa peubah penjelas, peubah respon menurut lokasi penelitian dan penelitinya selengkapnya disajikan pada Lampiran 3. Berbagai peubah penjelas SD digunakan dalam berbagai penelitian, sehingga mengalami kesulitan dalam mengevaluasi keandalan SD (Giorgi et al. 1). Dalam berbagai kajian, penentuan peubah penjelas penting untuk dilakukan. Ada dua pendekatan dalam memilih peubah penjelas yaitu pendekatan teori dasar (professional judgement) dan pendekatan metode statistik. Pendekatan teori dasar dilakukan oleh Zorita et al. 1995; Hewitson dan Crane 1996, diacu dalam Cavazos dan Hewitson 2. Salah satu contoh pendekatan metode statistik dilakukan oleh Cavazos dan Hewitson (2) dengan menggunakan 29 peubah penjelas atmosfer GCM NCEP-NCAR reanalisis untuk menduga curah hujan harian. Proses pemilihan peubah penjelas dilakukan dengan menggunakan jaringan syaraf tiruan. Kriteria yang digunakan untuk melihat kinerja model adalah koefisien determinasi (R 2 ), akar rataan jumlah kuadrat sisaan (root mean square error: RMSE) dan rataan mutlak sisaan ( mean absolute error: MAE). Penelitian dengan tujuan yang sama dilakukan oleh Huth (1999). Huth menggunakan peubah penjelas ketinggian geopotensial 85 hpa, tekanan permukaan laut, temperatur pada 85 dan thickness 5 hpa. Proses pemilihan peubah penjelas menggunakan regresi bertatar dan untuk melihat kinerja model digunakan validasi silang dan RMSE.

2 28 Kajian lain yang telah dilakukan di Indonesia adalah Wigena (6) dan Haryoko (4). Wigena ( 6) menggunakan peubah penjelas presipitasi untuk menduga presipitasi lokal, Haryoko (4) menggunakan tekanan permukaan laut, dan Sutikno dan Boer (5) menggunakan peubah penjelas precipitable water (prw). Pemilihan peubah penjelas penelitian di atas lebih didasarkan ketersediaan data GCM, belum dilakukan melalui proses pemilihan secara komprehensif, yaitu berdasarkan alasan fisik dan statistik. Penelitian ini bertujuan mendapatkan peubah-peubah penjelas atmosfer yang paling dominan mempengaruhi curah hujan di Indonesia, khususnya di lokasi curah hujan tipe monsun. 5.2 Bahan dan Metode Bahan Data GCM yang digunakan adalah model CSIRO-Mk3, resolusi grid lintang dan bujur 1,865 x 1,875, di-download melalui website: dengan eksperimen 2th century in coupled models (2C3M), periode data Peubah penjelas GCM yang digunakan adalah: precipitable water, tekanan permukaan laut, komponen angin meridional, komponen zonal, ketinggian geopotensial, dan kelembaban spesifik (Tabel 4.1 pada Bab 4). Ketinggian model CSIRO-Mk3 terdiri atas 17 level, yaitu mulai hpa - 1 hpa. Ketinggian yang digunakan dalam penelitian adalah 85 hpa, 5 hpa, dan hpa. Pemilihan ketinggian ini dipilih pada fenomena sirkulasi atmosfer di troposphere hingga tropopause. Beberapa penelitian SD menggunakan ketinggian tersebut seperti Cavazos dan Hewitson, 5; Cavazos dan Hewitson, 2; Huth, Data curah hujan terdiri atas 5 stasiun, diperoleh dari Badan Meteorologi dan Geofisika (BMG), meliputi: Losarang, Indramayu, Tulangkacang, Sumurwatu, dan Yuntinyuat. Stasiun terpilih merupakan salah satu contoh dari masingmasing daerah perkiraan musim (DPM) di Kabupaten Indramayu hasil penelitian Wigena (6) (Gambar 5.1).

3 Tulangkacang 4 Losarang Indramayu 5 4 U Tulangkacang Indramayu Losarang Yuntinyuat Sumurwatu Sumurw atu Yuntinyuat Gambar 5.1 Lokasi penelitian (stasiun) dan pola hujan rataan bulanan, (Sumber:diolah dari Wigena 6). Metode Analisis Terdapat dua tahapan analisis data, yaitu penyiapan data awal (prapemrosesan) dan pembangunan model hubungan serta pemilihan peubah penjelas. Pada tahap pertama, pra-pemrosesan data dilakukan langkah-langkah sebagai berikut: 1) Pengkonversian format data GCM dari netcdf ke format text. Ini dilakukan untuk penguraian data yang selanjutnya memudahkan pengolahan

4 3 data. Program konversi data GCM dengan menggunakan bantuan Matlab versi 6.5 selengkapnya disajikan pada Lampiran 2. 2) Cropping domain (grid) peubah penjelas yang disesuaikan dengan lokasi stasiun curah hujan. Luasan grid yang digunakan adalah bujursangkar 12x12 dengan lokasi ditengah-tengah lokasi penelitian. 3) Reduksi dimensi spasial (grid) dengan menggunakan analisis komponen utama. Setiap peubah penjelas GCM dilakukan reduksi serentak terhadap grid (horisontal) dan level. Dengan pendekatan ini maka akan didapatkan 6 peubah penjelas tidak dibedakan ketinggian, yaitu: precipitable water (prw), tekanan permukaan laut (slp), komponen angin meridional (va), komponen angin zonal (ua), ketinggian geopotensial (zg), dan kelembaban spesifik (hus). Pada masing-masing hasil reduksi diambil satu atau lebih komponen utama, dengan keragaman 9%. Dalam penelitian ini dilakukan pemodelan berdasarkan musim, yaitu musin hujan dan kemarau. Pembagian musim adalah sebagai berikut: musim hujan bulan Nopember April, dan musim kemarau mulai bulan Mei Oktober. Perbagian musim ini berdasarkan publikasi BMG untuk wilayah Indramayu (BMG 3). 4) Menyusun model regresi dengan menggunakan regresi splines adaptif berganda. Secara umum model regresi yang dihasilkan adalah: ˆ 2 y = B + B1 * BF1 + B2 * BF B k * BF k dimana k adalah peubah penjelas ke-k, BB1, B 2,..., B k merupakan koefisien regresi basis fungsi ke-1, 2,..., k dan BF 1, BF 2,..., BF k adalah fungsi basis ke-1, 2,..., k. 5) Penentuan urutan peubah penjelas GCM yang dominan (paling berpengaruh) terhadap curah hujan. Untuk mengidentifikasi peubah penjelas yang berpengaruh dilakukan dengan cara menghilangkan peubah penjelas satu per satu dari model, kemudian menghitung goodness of fit dari setiap pengurangan peubah penjelas tersebut. Kriteria goodness of fit menggunakan kriteria validasi silang (generalized cross validation: GCV). 1/ N GCV ( M ) = N i= 1 [ y ˆ i fm ( xi )] [ 1 ( C( M ) / N) ] 2 2

5 31 Semakin besar pengurangan nilai GCV suatu peubah penjelas semakin berpengaruh peubah penjelas tersebut terhadap model regresi yang dibentuk. Diagram alir metode analisis selengkapnya disajikan pada Gambar 5.2. Data GCM: Ukuran grid 12x12 Ketinggian: permukaan, 85 hpa, 5 hpa, dan hpa Peubah: prw, hus, ua, va, zg, dan slp Untuk setiap peubah GCM: Dilakukan reduksi dimensi secara serentak grid terpilih dan ketinggian (level) dengan menggunakan komponen utama Data curah hujan Untuk setiap peubah GCM: Mengambil satu atau lebih komponen utama yang representasi: PC prw1, PC prw2,, PC slp1, PC slp2 PC prw1 : komponen utama pertama prw Y = f (PCprw1, PCprw2,, PCslp1, PCslp2) Metode RSAB Pilih peubah GCM yang mempunyai pengurangan nilai GCV besar Hitung goodness of fit (validasi silang:gcv) setiap penghilangan satu peubah penjelas Gambar 5.2 Diagram alir penentuan peubah GCM yang paling berpengaruh terhadap curah hujan. 5.3 Hasil dan Pembahasan Reduksi dimensi grid (domain) Keragaman yang dapat dijelaskan oleh komponen utama masing-masing peubah penjelas GCM > 8%, dengan jumlah komponen utama berkisar 2-1. Banyaknya komponen utama menunjukkan hubungan keeratan antar peubahpeubah yang dilakukan reduksi dimensi. Semakin sedikit jumlah komponen dan

6 32 mempunyai persentase keragaman yang besar menunjukkan antar peubah yang dilakukan reduksi sangat erat dan sebaliknya. Peubah tekanan permukaan laut (slp) mempunyai hubungan yang erat antar grid. Terbukti hanya 2 komponen utama mampu menjelaskan lebih dari 9% total keragaman data. Demikian juga ketinggian geopotensial (zg). Berbeda dengan peubah komponen angin meridional (va) hubungan antar grid dan ketinggian (level) tidak seerat peubah-peubah lainnya (Tabel 5.1). Keragaman masing-masing komponen utama selengkapnya disajikan pada Lampiran 5. Tabel 5.1 Keragaman yang dapat dijelaskan oleh komponen utama menurut peubah GCM Peubah Jumlah komponen utama MH % total keragaman Jumlah komponen utama MK % total keragaman Precipitable water (prw) % % Tekanan permukaan laut (slp) % % Komponen angin meridional (va) % % Komponen angin zonal (ua) % % Ketinggian geopotensial (zg) 3 96% 3 93% Kelembaban spesifik (hus) % % Peubah penjelas yang berpengaruh terhadap peubah respon Berdasarkan nilai pengurangan validasi silang (-GCV), dapat diidentifikasi peubah penjelas yang paling berpengaruh terhadap peubah respon (curah hujan). Semakin besar nilai (-GCV) suatu peubah penjelas, maka semakin berpengaruh peubah penjelas tersebut. Besarnya nilai (-GCV) pada peringkat tertentu cenderung sama, tergantung lokasi dan musim (Lampiran 4). Tabel 5.2 menunjukkan bahwa kelembaban spesifik (hus) merupakan peubah penjelas yang berpengaruh untuk semua stasiun, khususnya musim kemarau. Peubah penjelas sirkulasi yang paling berpengaruh adalah angin zonal (ua). Kemudian peubah ketinggian geopotensial (zg) di beberapa stasiun cukup berpengaruh. Untuk musim hujan, precipitable water (prw) merupakan peubah yang dominan. Peubah dominan berikutnya adalah komponen angin zonal (ua) dan kelembaban spesifik (hus). Identifikasi lain melalui analisis korelasi, terdapat hubungan yang nyata (α=5%) antara peubah kelembaban spesifik, komponen

7 33 angin zonal, dan curah hujan, khususnya musim kemarau. Demikian juga dengan peubah precipitable water, angin zonal terdapat hubungan yang nyata (α=5%) pada musim hujan (lihat Lampiran 6). Tabel 5.2 Peringkat peubah penjelas yang terpenting (berpengaruh) terhadap peubah respon menurut stasiun Musim Stasiun prw slp ua va hus zg Hujan Indramayu Losarang Sumurwatu Tulangkacang Yuntinyuat Kemarau Indramayu Losarang 1 2 Sumurwatu Tulangkacang Yuntinyuat Keterangan : Angka dalam sel menunjukkan urutan peringkat dalam satu baris. Sel yang kosong dalam satu baris mempunyai peringkat yang sama, karena nilai GCV sama. Hasil ini mendukung penelitian Cavazos dan Hewitson (2; 5) menyimpulkan bahwa peubah penjelas yang sesuai untuk daerah tropik dan subtropik adalah kelembaban spesifik, baik musim kemarau maupun musim hujan. Demikian juga Hewitson 1999; Charles et al. 1999, diacu dalam Wilby et al. 4 menyatakan bahwa kelembaban (humidity) mempunyai hubungan yang nyata pada peubah respon curah hujan. Di samping itu Cavazos dan Hewitson (2; 5) menggunakan peubah penjelas thickness 5- hpa, ketinggian geopotential 7 hpa, dan komponen angin meridional pada permukaan (vas) khususnya untuk musim hujan, sedangkan musim kemarau adalah ketinggian geopotensial 7 hpa, thickness 5- hpa, dan komponen angin zonal 85 hpa (ua). Hasil yang berbeda diperoleh oleh Huth (1999), yang menyatakan peubah penjelas suhu lebih baik dari peubah sirkulasi. Disamping itu kombinasi antara ketinggian geopotensial 5 hpa dan suhu 85 hpa mempunyai kinerja yang terbaik diantara peubah penjelas lainnya. Adanya perbedaan peubah penjelas diduga karena lokasi penelitian yang berbeda. Huth (1999) menyatakan bahwa

8 34 (a) (b) (c) (d) Gambar 5.3 Vektor angin 85 mb per tiga bulanan: DJF (a), MAM (b), JJA (c), dan SON (d).

9 35 tingkat akurasi peubah penjelas sangat beragam dan bergantung pada lokasi stasiun. Komponen angin zonal (ua) berkaitan dengan adanya angin monsun (monsun dingin dan monsun panas) yang berpengaruh terhadap keragaman curah hujan di Indonesia (Aldrian dan Susanto 3; Mc Bride et al. 3). Gambar 5.3 menunjukkan bahwa arah angin per tiga bulanan yang dominan adalah komponen zonal (barat-timur). Kelembaban spesifik dan precipitable water terkait dengan proses pembentukan awan dan penyebaran awan. Di daerah tropik, keawanan cukup tinggi yang berhubungan dengan konvergensi massa udara dari dua belahan bumi (ITCZ: Inter Tropical Convergence Zone). Tekanan permukaan laut berpengaruh khususnya pada musim kemarau dan tidak begitu jelas pengaruhnya pada musim hujan. Ketidakjelasan pengaruh tersebut diduga disebabkan karena luasan domain/grid GCM terlalu sempit, sehingga tidak mampu meng-capture peubah tersebut. Beberapa hasil kajian yang diuraikan pada Bab 3, tekanan permukaan laut atau suhu permukaan laut (sea surface temperature: SST) yang berpengaruh terhadap curah hujan terdapat di Lautan Pasifik (fenomena ENSO) dan Lautan Hindia (DMI). Hal ini menunjukkan bahwa peubah penjelas/parameter GCM akan cukup berpengaruh terhadap peubah respon bergantung pada luasan dan lokasi grid yang digunakan. Giannini (5) menggunakan peubah penjelas suhu permukaan laut (SST) dan presipitasi dengan luasan domain 2 o LU-2 o LS, 9 o BT 18 o BT untuk membuat model SD di Indramayu Jawa Barat. 5.4 Simpulan Peubah penjelas yang berpengaruh terhadap curah hujan adalah kelembaban spesifik, komponen angin zonal, dan ketinggian geopotensial terutama pada musim kemarau. Pada musim hujan, peubah penjelas yang berpengaruh adalah precipitable water, komponen angin zonal, dan kelembaban spesifik.