Musim Hujan. Musim Kemarau

Transkripsi

1 mm IV. HASIL DAN PEMBAHASAN. Analisis Data Curah hujan Data curah hujan yang digunakan pada penelitian ini adalah wilayah Lampung, Pontianak, Banjarbaru dan Indramayu. Selanjutnya pada masing-masing wilayah kajian dilihat pengaruh interaksi monsun dan IOD terhadap curah hujan di wilayah tersebut. Gambar dapat dilihat anomali curah hujan di berbagai wilayah di Indonesia. Wilayah Lampung, Banjarbaru dan Indramayu memiliki pola hujan tipe monsoonal dimana memiliki ciri khusus seperti hujan hujan yang berlangsung selama enam bulan dan enam bulan berikutnya berlangsung musim kemarau. Puncak musim hujan terjadi sekitar bulan Desember/Januari. Berdasarkan plot antara anomali indeks curah hujan dengan waktu (Gambar ) untuk wilayah Lampung, Banjarbaru dan Indramayu menunjukkan puncak fase positif dan negatif. Fase positif (+) terjadi pada bulan Januari 999, Desember 999, Januari, Januari, Januari, Desember, Desember, Januari, April 7, April, Maret 9 dan Maret. Sedangkan untuk fase negatif (-) terjadi pada bulan Juli 99, Juli 999, Juli, Juli, Juli, Juli, Juli, Agustus, Agustus, September 7, Agustus, November 9. Fase positif (+) merupakan suatu fase dimana dalam periode tertentu pada suatu wilayah mengalami hujan atau kondisi basah, sedangkan untuk fase negatif (-) merupakan suatu fase dimana dalam periode tertentu pada suatu wilayah tidak turun hujan dan mengalami kondisi yang kering. Pada bulan DJF (Desember, Januari, Februari) wilayah kajian mengalami kondisi basah. Sedangkan wilayah kajian mengalami kondisi kering ketika pada bulan JJA (Juni, Juli, Agustus). Wilayah Pontianak memiliki pola hujan tipe ekuatorial dimana ciri khusus dari tipe ini adalah sifat hujan yang memiliki dua puncak maksimum dalam setahun, biasa berlangsung pada bulan Maret dan Oktober. Pada gambar dapat terlihat wilayah Pontianak sebagian besar memiliki puncak fase dalam satu tahun baik fase (+) dan fase (-). Berdasarkan penjelasan dari BMKG dalam Marjuki menyatakan bahwa ketika curah hujan bulanan > mm maka dalam kondisi musim hujan sebaliknya apabila curah hujan bulanan < mm maka musim kemarau. Dalam hal ini pada gambar dapat dilihat batas antara musim penghujan dan musim kemarau yang dipisahkan oleh garis horizontal berwarna kuning. Dari hasil time series yang diperoleh dapat dilihat untuk pola hujan tipe monsoonal antara puncak fase positif (+) maupun negatif (-) dengan puncak yang lain mempunyai pola osilasi dominan yang sama yaitu sekitar bulanan sedangkan untuk wilayah yang memiliki tipe hujan ekuatorial pola osilasi yang nyata sekitar bulanan. Hal ini dapat diperjelas melalui analisis Power Spektral Density (PSD) pada Gambar. 9 LAMPUNG PONTIANAK BANJAR BARU 7 INDRAMAYU Musim Hujan Musim Kemarau jan-9 Jun-9 Des-9 Jun-99 Des-99 Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des-Jun- Des- Jun-7 Des-7 Jun- Des- Jun-9 Des-9 Jun- Waktu Gambar Time series curah hujan berbagai wilayah di Indonesia periode Januari 99 Agustus.

2 Energi Spektral 9 x 7 LAMPUNG PONTIANAK BANJARBARU INDRAMAYU Periode (bulan) Gambar Power Spektral Density (PSD) curah hujan periode Januari 99 Agustus. Berdasarkan hasil Power Spektral Density (PSD) (Gambar ), pola osilasi/embutan dominan dari curah hujan di wilayah Lampung, Pontianak, Banjarbaru, dan Indramayu berada pada periode sekitar bulanan (annual oscillation). Artinya jika osilasi ini berjalan sempurna maka dalam waktu bulanan akan terjadi kejadian kuat sekali dalam selang waktu bulan. Puncak energi spektral PSD bulanan secara berurutan dari yang tertinggi sampai yang terendah adalah Indramayu, Lampung, Banjarbaru dan Pontianak. Wilayah Pontianak juga memiliki energi spektral tertinggi pada osilasi dominan bulanan (semiannual oscillation) artinya pada wilayah Pontianak akan mengalami kejadian kuat dalam selang waktu bulan. Dalam hal ini dalam setahun akan terjadi sebanyak dua kali. Secara umum hasil analisis PSD pada Gambar menunjukkan bahwa puncak energi spektral osilasi dominan bulanan di wilayah yang letaknya semakin mendekati equator akan semakin melemah sedangkan untuk osilasi dominan bulanannya semakin menguat.. Analisis Time series Monsun dan IOD Monsun terjadi pada wilayah yang memiliki arah angin dominan berbalik arah paling sedikit o antara bulan Januari dan Juli. Januari merupakan maksimum musim hujan di BBU dengan suhu rata-rata terendah. Sedangkan Juli merupakan maksimum musim kemarau dengan suhu rata-rata tertinggi. Menurut Ramage (97) wilayah monsun terletak pada o LS o LU dan o BB 7 o BT, sehingga Indonesia termasuk dalam wilayah monsun. Fenomena monsun yang terjadi di Indonesia yaitu monsun Asia dan Australia. Fenomena ini sangat berpengaruh terhadap penentuan musim yang terjadi di Indonesia baik musim basah (penghujan) atau musim kering (kemarau). IOD (Indian Ocean Dipole) merupakan fenomena yang terjadi di Samudera Hindia. Fenomena ini merupakan fenomena couple antara atmosfer dan laut yang ditandai dengan perbedaan anomali dua kutub Suhu Permukaan Laut (SPL) di Samudera Hindia tropis bagian timur (perairan Indonesia di sekitar Sumatera dan Jawa) dan Samudera Hindia tropis bagian tengah sampai barat (perairan pantai timur Benua Afrika), sehingga perubahan SPL pada fenomena ini mempengaruhi curah hujan di Indonesia. Monsun dan IOD dapat dianalisis menggunakan analisis spektral. Analisis ini banyak digunakan untuk mengetahui periode dari setiap osilasi yang terjadi. Cara yang dapat digunakan untuk menentukan perilaku monsun dan IOD yaitu dengan mengamati data indeks monsun dan DMI (IOD Indeks). Data yang digunakan antara lain indeks monsun dan IOD indeks (DMI) periode Januari 99 Agustus.

3 Gambar Time series data iklim global periode Januari 99 Agustus. Secara umum pada saat matahari berada di Belahan Bumi Selatan (BBS), tepatnya pada periode DJF, maka kawasan barat mengalami pusat tekanan rendah dan seharusnya angin bergerak dari BBU menuju BBS. Namun karena rotasi bumi (efek gaya Coriolis), maka terjadi pembelokkan arah angin dimana angin yang berasal dari BBU seakan-akan dibelokkan kearah Tenggara setelah melewati ekuator yang dikenal dengan istilah angin Baratan. Angin yang berasal dari BBU membawa kumpulan awan-awan Cb (dikenal dengan istilah (SCC) Super Cloud Cluster), maka pada saat DJF sebagian besar wilayah Indonesia mengalami musim basah. Sebaliknya untuk periode bulan kemudian sekitar bulan JJA pada saat matahari berada di BBU, maka pusat tekanan rendah berada di BBU. Pada saat itulah terjadi pergerakan massa udara dari BBS ke BBU. Namun akibat adanya gaya Coriolis maka angin yang berasal dari BBS seakan dibelokkan kea rah Timur Laut. Angin yang sebagian berasal dari Benua Australia yang relatif kering mengakibatkan wilayah timur Indonesia mengalami musim kering pada bulan JJA. Fenomena ini dikenal dengan istilah Angin Timuran. Berdasarkan hasil penelitian yang diperoleh (Gambar ) menunjukkan ketika periode DJF AUSMI menguat dan Monsun ASIA (ISMI dan WNPMI) melemah, sebaliknya pada periode JJA AUSMI melemah dan Monsun ASIA (ISMI dan WNPMI) menguat. Secara umum hubungan antara IOD dengan Monsun adalah berbanding terbalik. Ketika Monsun menguat maka IOD akan melemah dan kawasan Indonesia mengalami kondisi basah, sebaliknya semakin melemahnya Monsun maka IOD akan semakin menguat dan Indonesia mengalami kondisi kering. Pada Gambar terlihat bahwa hubungan antara IOD dengan Monsun tidak selamanya berbanding terbalik, artinya adakalanya IOD dan Monsun saling melemahkan dan saling menguatkan. Saling melemahkan artinya antara IOD dan Monsun mengalami beda fase, sedangkan saling menguatkan artinya antara IOD dan Monsun berada dalam satu fase yang sama (sama-sama negatif atau sama-sama positif). Berdasarkan pada hasil penelitian diperoleh indeks monsun yang mempengaruhi curah hujan hujan di kawasan Indonesia khususnya di wilayah kajian adalah AUSMI (Australian Monsoon Indeks). Hal ini di sebabkan mungkin karena letak AUSMI lebih dekat dengan wilayah kajian dibandingkan dengan monsun ASIA (ISMI dan WNPMI). Hal ini juga telah dibuktikan pada penelitian sebelumnya yang telah dilakukan oleh Subakti () dan Azteria (9), indeks monsun yang mempengaruhi kawasan Indonesia adalah AUSMI.

4 Energi Spektral. Analisis Spektral Monsun dan IOD Gambar merupakan hasil analisis Power Spektral Density (PSD) indeks monsun (ISMI, WNPMI, AUSMI) periode Januari 99 Agustus. Berdasarkan gambar tersebut dapat dilihat bahwa indeks monsun tersebut memiliki osilasi dominan sekitar bulanan artinya indeks monsun mencapai puncak pada fase positif (+) dan fase negatif (-) dalam selang waktu sekali dalam bulan. Selain itu osilasi bulanan monsun juga terlihat nyata. x. ISMI WNPMI AUSMI.. Periode (bulan) Gambar Power Spektral Density (PSD) indeks monsun periode Januari 99 Agustus. Selain menggunakan PSD dalam menentukan osilasi bulanan juga dapat menggunakan metode wavelet. Hal ini dilakukan untuk memperjelas osilasi bulanan tersebut. Hasil wavelet (Gambar Gambar, Gambar ) terlihat adanya fenomena monsun yang berosilasi bulanan. Kejadian monsun kuat akan terjadi satu kali dalam bulan. Dalam arti lain apabila osilasi tersebut berjalan sempurna maka dalam waktu bulan akan terjadi peningkatan fenomena monsun di wilayah kajian. Gambar Wavelet Indian Summer Monsun Index (ISMI) periode Januari 99 Agustus

5 Energi Spektral Gambar Wavelet Western North Pacific Monsun Index (WNPMI) periode Januari 99 Agustus Gambar Wavelet Australian Monsun Index (AUSMI) periode Januari 99 Agustus DMI 9 7 Periode (bulan) Gambar 7 Power Spektral Density (PSD) IOD Index (DMI) periode Januari 99 Agustus

6 Indeks Berdasarkan analisis PSD (Gambar 7) dan metode wavelet (Gambar ), IOD index (DMI) pada periode Januari 99 Agustus memiliki pola osilasi bulanan atau sekitar tahun. Artinya apabila osilasi ini berjalan sempurna maka dalam waktu bulanan akan terjadi peningkatan IOD di wilayah kajian. Analisis wavelet pada Gambar untuk memperjelas osilasi bulanan tersebut. Gambar Wavelet IOD Index (DMI) periode Januari 99 Agustus.. Analisis Statistik Data Curah Hujan dan Data Iklim Global Gambar 9 memperlihatkan bahwa perbedaan antara sinyal AUSMI dan AUSMI+DMI tidak terlalu signifikan. Namun untuk sinyal AUSMI+DMI dan DMI memiliki perbedaan yang mencolok dalam skala indeks. Dalam hal ini yang akan dibahas lebih lanjut adalah hubungan antara interaksi monsun (AUSMI) dan DMI. Selanjutnya dapat dilihat hubungan fenomena tersebut dengan curah hujan pada masing-masing wilayah kajian. AUSMI DMI AUSMI+DMI jan-9 Jun-9 Des-9 Jun-99 Des-99 Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des-Jun- Des- Jun-7 Des-7 Jun- Des- Jun-9 Des-9 Jun- Waktu Gambar 9 Time series antara AUSMI, DMI dan AUSMI+DMI periode Januari 99 Agustus.

7 Indeks Indeks Indeks LAMPUNG AUSMI+DMI jan-9 Jun-9 Des-9 Jun-99 Des-99 Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des-Jun- Des- Jun-7 Des-7 Jun- Des- Jun-9 Des-9 Jun- Waktu Gambar Time series antara interaksi kedua fenomena terhadap anomali curah hujan di wilayah Lampung pada periode Januari 99 Agustus. PONTIANAK AUSMI+DMI jan-9 Jun-9 Des-9 Jun-99 Des-99 Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des-Jun- Des- Jun-7 Des-7 Jun- Des- Jun-9 Des-9 Jun- Waktu Gambar Time series antara interaksi kedua fenomena terhadap curah hujan di wilayah Pontianak pada periode Januari 99 Agustus. BANJARBARU AUSMI+DMI jan-9 Jun-9 Des-9 Jun-99 Des-99 Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des-Jun- Des- Jun-7 Des-7 Jun- Des- Jun-9 Des-9 Jun- Waktu Gambar Time series antara interaksi kedua fenomena terhadap curah hujan di wilayah Banjarbaru pada periode Januari 99 Agustus.

8 Indeks INDRAMAYU AUSMI+DMI jan-9 Jun-9 Des-9 Jun-99 Des-99 Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des- Jun- Des-Jun- Des- Jun-7 Des-7 Jun- Des- Jun-9 Des-9 Jun- Waktu Gambar Time series antara interaksi kedua fenomena terhadap curah hujan di wilayah Banjarbaru pada periode Januari 99 Agustus. Gambar,, dan menunjukkan interaksi antara dua fenomena teradap curah hujan. Pada keempat gambar terlihat hubungan antara interaksi kedua fenomena terhadap curah hujan terjadi dalam satu fase artinya apabila interaksi Monsun dan IOD menguat maka curah hujan wilayah kajian (Lampung, Pontianak, Banjarbaru dan Indramayu) juga akan menguat sehingga wilayah tersebut mengalami kondisi basah. Begitu juga sebaliknya melemahnya interaksi fenomena Monsun dan IOD maka curah hujan juga akan melemah. Hal ini dapat diperjelas dengan analisis korelasi silang seperti pada Gambar. waktu tunda (time lag) antara fenomena interaksi (monsun dan IOD) terhadap curah hujan. Gambar menunjukkan hubungan antara fenomena interaksi terhadap curah hujan Lampung memiliki lag time dengan korelasi sebesar.9. Artinya antara kejadian interaksi terhadap curah hujan di Lampung tidak terjadi waktu tunda, dengan kata lain antara interaksi kedua fenomena dengan curah hujan terjadi secara bersamaan. Fenomena interaksi terhadap curah hujan memiliki hubungan yang berbanding lurus. Hal ini berarti bahwa ketika fenomena interaksi menguat maka curah hujan wilayah (Lampung) juga menguat. Sebaliknya apabila fenomena interaksi melemah maka curah hujan juga melemah. Gambar Cross Correlation Fungtion (CCF) interaksi kedua fenomena monsun terhadap curah hujan di wilayah Lampung periode Januari 99 Agustus. Nilai Cross Correlation Fungtion (CCF) menunjukkan derajat keeratan antara dua variabel dan arah hubungannya (+ atau -). Analisis CCF digunakan untuk mengetahui Gambar Cross Correlation Fungtion (CCF) interaksi kedua fenomena monsun terdap curah hujan di wilayah Pontianak periode Januari 99 Agustus. Diagram batang CCF pada Gambar menunjukkan bahwa yang pertama kali menyentuh batas atas adalah pada saat lag

9 number bernilai dengan nilai korelasi silang sebesar.7. Oleh karena itu, untuk wilayah Pontianak fenomena interaksi membutuhkan waktu bulan untuk dapat mempengaruhi curah hujan di kota Pontianak. Gambar 7 Cross Correlation Fungtion (CCF) interaksi kedua fenomena monsun terdap curah hujan di wilayah Indramayu periode Januari 99 Agustus. Gambar Cross Correlation Function (CCF) interaksi kedua fenomena monsun terdap curah hujan di wilayah Banjarbaru periode Januari 99 Agustus. Diagram batang CCF pada Gambar menunjukkan bahwa yang pertama kali menyentuh batas atas adalah pada saat lag number bernilai dengan nilai korelasi silang sebesar.9. Oleh karena itu pada saat terjadi fenomena interaksi, wilayah Banjarbaru tidak membutuhkan waktu tunda untuk mempengaruhi curah hujan di wilayah Banjarbaru. Hasil yang sama juga ditunjukkan oleh wilayah Lampung. Waktu tunda ( time) ini sangat penting bagi ke empat wilayah ini karena menentukan apa yang harus dilakukan untuk mengantisipasi dampak dari interaksi monsun dan IOD yeng berpengaruh terhadap curah hujan di wilayah tersebut. Nilai CCF yang telah diperoleh dari Gambar,, dan 7 menyatakan nilai (+) yang artinya fenomena interaksi terhadap curah hujan di Lampung, Pontianak, Banjarbaru dan Indramayu memiliki hubungan yang berbanding lurus. Dengan kata lain apabila fenomena interaksinya menguat maka curah hujan menguat juga, begitu juga sebaliknya apabila fenomena interaksi melemah maka curah hujan juga melemah.. Model Prediksi awal Tabel Kaitan Interaksi fenomena monsun dan IOD terhadap curah hujan periode Januari 99 Agustus. No Kota time (bulan) r Model Prediksi Awal Lampung.7 Yt =.X t +.X t- +.X t Pontianak. Yt =.X t- +.X t-.7x t- +.7 Banjarbaru.7 Yt =.X t +.9X t-.x t- +. Indramayu.7 Yt =.X t +.X t-.x t- +.9 Persamaan yang terdapat pada Tabel menunjukkan hubungan antara interaksi monsun dan IOD terhadap curah hujan, dimana faktor lag time telah dimasukkan dengan menggunakan analisis regresi berganda. Selain itu persamaan tersebut juga merupakan model awal untuk memprediksi nilai curah hujan yang telah dipengaruhi oleh interaksi monsun dan IOD. Berdasarkan Tabel terlihat bahwa pengaruh interaksi monsun dan IOD di wilayah Lampung, Banjarbaru, dan Indramayu memiliki korelasi yang kuat berkisar antara. hingga.7. Sedangkan wilayah Pontianak memiliki korelasi yang lemah karena memiliki nilai korelasi yang kecil sebesar. sehingga interaksi monsun dan IOD tidak dapat mempengaruhi curah hujan di Pontianak karena letaknya berada di wilayah ekuator.

10 Anomali CH Anomali CH Anomali CH 7 Time Series Plot of, LAMPUNG 7 9 WAKTU (BULAN) () 7 Time Series Plot of, PONTIANAK WAKTU (bulan) () 7 Time Series Plot of, BANJARBARU WAKTU (bulan) ()

11 C Anomali CH Time Series Plot of, INDRAMAYU WAKTU (bulan) () Gambar Plot antara curah hujan dengan curah hujan yang dibangkitkan (prediksi) diberbagai wilayah Lampung (), Pontianak (), Banjarbaru () dan Indramayu (). Gambar merupakan plot data antara curah hujan asli dengan curah hujan yang telah dipengaruhi oleh fenomena monsun dan IOD. Hasil prediksi menunjukkan bahwa untuk wilayah Lampung (), Banjarbaru () dan Indramayu () antara dengan memiliki selang kepercayaan yang baik sebesar 9.%, 77.% dan.% sehingga model prediksi dapat di gunakan untuk menduga nilai curah hujan yang telah dipengaruhi oleh adanya interaksi monsun dan IOD. Oleh karena itu dampak dari interaksi kedua fenomena tersebut dapat diantisipasi. Berdasarkan Gambar () untuk wilayah Pontianak model prediksi tidak dapat digunakan kerena pada gambar terlihat bahwa nilai prediksi tidak menunjukkan hasil yang baik dan tidak dapat mewakili. Selain itu model untuk Pontianak memiliki nilai selang kepercayaan yang sangat kecil yaitu sebesar.7 %. Hal ini kemungkinan besar dipengaruhi oleh letak wilayah tersebut berada di sekitar ekuator sehingga monsun dan IOD tidak terlalu berpengaruh terhadap curah hujan wilayah tersebut.. Model Prediksi ARIMA.. Lampung Sebelum melakukan pemodelan data curah hujan, maka dilakukan uji stasioneritas data. Hal itu dilakukan karena merupakan syarat pemodelan data deret waktu. Time Series Plot anomali CH lampung Index 7 9 ()

12 Anomali CH Autocorrelation Partial Autocorrelation 9 Autocorrelation Function for anomali CH Lampung (with % significance limits for the autocorrelations) Partial Autocorrelation Function for anomali CH Lampung (with % significance limits for the partial autocorrelations) () () Gambar 9 Plot data (), ACF(), PACF () curah hujan bulanan di Lampung periode Januari 99 Maret. Dari plot deret waktu Gambar 9() terlihat bahwa data deret waktu sudah stasioner sehingga tidak perlu dilakukan proses differensiasi. Proses differensiasi dilakukan jika plot data tidak stasioner. Gambar 9() terlihat bahwa pada ACF memiliki pola musiman sehingga data curah hujan Lampung merupakan data seasonal pada lag. Sedangkan PACF seperti Gambar 9() memiliki pola seasonal pada lag. Dengan demikian diperoleh model sementara dari plot data curah hujan di Lampung adalah adalah model ARMA (,), ARMA (,), ARMA (,), dan ARMA (,). Dari semua model sementara diperoleh model yang cocok untuk kondisi curah hujan Lampung yaitu model ARMA (,) dengan persamaan model Z t =,Z t- +,97Z t- + a t +,a t- -,a t- Time Series Plot of, LAMPUNG waktu (bulan) Selang kepercayaan = 79.7% Gambar Plot curah hujan di Lampung dengan hasil prediksi ARMA (,) periode April Agustus. Berdasarkan Gambar dapat dilihat bahwa plot data prediksi mendekati denga nilai korelasi sebesar 79.7% artinya model tersebut dinilai baik untuk menduga curah hujan di daerah Lampung... Pontianak Uji stasioner dilakukan terhadap data curah hujan di Pontianak. Dari hasil plot deret waktu Gambar () terlihat bahwa data curah hujan Pontianak sudah stasioner.

13 Anomali CH Autocorrelation Partial Autocorrelation C 7 Time Series Plot of anomali CH Pontianak - - Index 7 9 () Autocorrelation Function for anomali CH Pontianak (with % significance limits for the autocorrelations) Partial Autocorrelation Function for anomali CH Pontianak (with % significance limits for the partial autocorrelations) () () Gambar Plot data (), ACF(), PACF () curah hujan bulanan di Pontianak periode Januari 99 Maret. Gambar () terlihat bahwa pada ACF memiliki pola musiman sehingga data curah hujan Pontianak merupakan data seasonal pada lag. Sedangkan PACF seperti Gambar () memiliki pola seasonal pada lag. Dengan demikian diperoleh model sementara dari plot data curah hujan di Pontianak adalah model ARMA (,), ARMA (,), ARMA (,), dan ARMA (,). Dari semua model sementara diperoleh model yang cocok untuk kondisi curah hujan Pontianak yaitu model ARMA (,) dengan persamaan model Z t =.9Z t- +.97Z t- + a t -.a t - -.a t- Time Series Plot of, PONTIANAK - WAKTU (bulan) Selang Kepercayaan =. % Gambar Plot curah hujan di Pontianak dengan hasil prediksi ARMA (,) periode April Agustus. Berdasarkan Gambar dapat dilihat bahwa plot data prediksi mendekati dengan nilai korelasi sebesar. % artinya model tersebut dinilai kurang baik untuk menduga curah hujan di daerah Pontianak.

14 Anomali CH Autocorrelation Partial Autocorrelation C.. Banjar Baru Uji stasioner dilakukan terhadap data curah hujan di Banjar Baru. Dari hasil plot deret waktu Gambar () terlihat bahwa data curah hujan Banjar Baru sudah stasioner. 7 Time Series Plot of Banjarbaru - Index 7 9 () Autocorrelation Function for anomali CH Banjarbaru (with % significance limits for the autocorrelations) Partial Autocorrelation Function for anomali CH Banjarbaru (with % significance limits for the partial autocorrelations) () () Gambar Plot data (), ACF(), PACF () curah hujan bulanan di Banjar Baru periode Januari 99 Maret. Gambar () terlihat bahwa pada ACF memiliki pola musiman sehingga data curah hujan Banjar baru merupakan data seasonal pada lag. Sedangkan PACF seperti Gambar () memiliki pola seasonal pada lag. Dengan demikian diperoleh model sementara dari plot data curah hujan di Banjar baru adalah model ARMA (,), ARMA (,), ARMA (,), dan ARMA (,). Dari semua model sementara diperoleh model yang cocok untuk kondisi curah hujan Banjar baru yaitu model ARMA (,) dengan persamaan model Z t =.997Z t- + a t -.97a t- Time Series Plot of, BANJARBARU - WAKTU (bulan) Selang kepercayaan =. % Gambar Plot curah hujan di Banjar baru dengan hasil prediksi ARMA (,) periode April Agustus.

15 Anomali CH Autocorrelation Partial Autocorrelation C Berdasarkan Gambar dapat dilihat bahwa plot data prediksi mendekati dengan nilai korelasi sebesar.% artinya model tersebut dinilai kurang baik untuk menduga curah hujan di daerah Banjar baru... Indramayu Uji stasioner dilakukan terhadap data curah hujan di Indramayu. Dari hasil plot deret waktu Gambar () terlihat bahwa data curah hujan Indramayu sudah stasioner. Time Series Plot of anomali CH Indramayu - Index 7 9 () Autocorrelation Function for anomali CH Indramayu (with % significance limits for the autocorrelations) Partial Autocorrelation Function for anomali CH Indramayu (with % significance limits for the partial autocorrelations) Gambar Plot data (), ACF(), PACF () curah hujan bulanan di Indramayu periode Januari 99 Maret. Gambar () terlihat bahwa pada ACF memiliki pola musiman sehingga data curah hujan Indramayu merupakan data seasonal pada lag. Sedangkan PACF seperti Gambar () memiliki pola seasonal pada lag. Dengan demikian diperoleh model sementara dari plot data curah hujan di Indramayu adalah model ARMA (,), ARMA (,), ARMA (,), dan ARMA (,). Dari semua model sementara diperoleh model yang cocok untuk kondisi curah hujan Indramayu yaitu model ARMA (,) dengan persamaan model Z t =.999Z t- + a t -,9a t- Time Series Plot of, INDRAMAYU - WAKTU (bulan) Selang kepercayaan =.% Gambar Plot curah hujan di Indramayu dengan hasil prediksi ARMA (,) periode April Agustus.