Aji Permana

Data adalah suatu bahan mentah yang jika diolah dengan baik melalui berbagai analisis dapat
melahirkan berbagai informasi. Data dapat diartikan sebagai sesuatu yang diketahui dari hasil
pengamatan atau percobaan Sesuai dengan macam atau jenis variabel, maka data atau hasil
pencatatannya juga mempunyai jenis sebanyak variabel. Data dapat dibagi dalam kelompok tertentu
berdasarkan kriteria yang menyertainya, misalnya menurut susunan, sifat, waktu pengumpulan, dan
sumber pengambilan (Connolly dan Begg 2005)
        Validasi data adalah langkah pemeriksaan untuk memastikan bahwa data tersebut telah
sesuai kriteria yang ditetapkan dengan tujuan untuk memastikan bahwa data yang akan
dimasukkan ke dalam basis data telah diketahui dan dapat dijelaskan sumber dan kebenaran
datanya. Apabila suatu data eror maka akan menghasilkan informasi yang tidak cermat dan tidak
akurat. Pada praktikum validasi model ini menggunakan model precipitation models pada tahun
2012.

Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal suatu variabel (Kutner, Nachtsheim dan Neter, 2004). Hubungan tersebut dapat dinyatakan dalam bentuk persamaan yang menghubungkan variabel terikat Y dengan satu atau lebih variabel bebas X1,X2,.....,Xn (Nachrowi, 2008:15). Selain itu, untuk mengkaji hubungan antar parameter dapat digunakan uji kendall. Uji ini digunakan untuk menentukan ada tidaknya keterkaitan antar komponen sehingga sebelum melakukan pengolahan data khususnya dalam pengisian data yang kosong harus terlebih dahulu melakukan pengujian ini.
Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis regresi,  terlebih dahulu harus menentukan satu variabel yang disebut dengan variabel tidak satu atau lebih variabel bebas. Jika ingin dikaji hubungan atau pengaruh satu variabel bebas  terhadap variabel tidak bebas, maka model regresi yang digunakan adalah model regresi linier sederhana. Kemudian Jika ingin dikaji hubungan atau pengaruh dua atau lebih variabel bebas terhadap variabel tidak bebas, maka model regresi yang digunakan adalah model regresi linier berganda (multiple linear regression model).
Pembangkitan data iklim untuk masalah tidak tersedianya data iklim pada suatu lokasi ataupun menentukan data yang kosong dapat dilakukan dengan melakukan interpolasi parameter dari model stochastic. Banyak teknik yang tersedia, akan tetapi metode perhitungan untuk teknik-tekniknya cukup rumit misalnya Metode Kriging (Seaman dan Hutchinson  1985) dan Thiesen Polygon Weighting (De Jong et al. 1992). Akhirnya Boer et al. (1993a, 1993b) menemukan bahwa teknik regresi dapat diterapkan untuk memberikan hasil yang cukup akurat. Untuk mengisi data yang kosong dapat juga menggunakan beberapa metode, diantaranya metode rata-rata sederhana, metode kuadran empat dan metode regresi berganda.

Permasalahan yang sering dihadapi dalam analisis data iklim ialah masalah ketersediaan data. Seringkali dijumpai dalam banyak kasus, data iklim lebih banyak tersedia dalam bentuk data bulanan dibandingkan dalam bentuk harian. Kondisi ini menyebabkan kegiatan analisis yang memerlukan data harian sulit untuk dilakukan. Ini juga merupakan salah satu masalah yang harus diselesaikan menggunakan analisis statistika yaitu dengan teknik pembangkitan data menggunakan metode Epstein dan Fourier (Nawaningsih 2013).
Selain itu, Pembangkitan data iklim untuk masalah tidak tersedianya data iklim pada suatu lokasi dapat dilakukan dengan melakukan interpolasi parameter dari model stochastic. Banyak teknik yang tersedia, akan tetapi metode perhitungan untuk teknik-tekniknya cukup rumit misalnya Metode Kriging (Seaman dan Hutchinson  1985) dan Thiesen Polygon Weighting (De Jong et al. 1992). Akhirnya Boer et al. (1993a, 1993b) menemukan bahwa tehnik regresi dapat diterapkan untuk memberikan hasil yang cukup akurat.

Perubahan SPL diketahui memiliki pengaruh yang besar terhadap variabilitas curah hujan dan diduga hal ini terkait dengan perubahan pola anomali SPL tersebut baik secara spasial maupun temporal. Beberapa hasil penelitian menunjukkan bahwa ada keterkaitan yang cukup jelas antara fenomena SPL dengan kejadian hujan di suatu wilayah. Hendon (2003) menyatakan bahwa variabilitas SPL Nino 3.4 mempengaruhi 50% variasi curah hujan seluruh Indonesia sedangkan variabilitas SPL di Laut India 10-15%.
Salah satu model untuk melakukan prediksi curah hujan yaitu menggunakan model statistik. Pendekatan statistik pada analisis deret waktu dilakukan dengan menggunakan modelmodel statistik untuk menjelaskan perilaku dinamis dari suatu deret waktu. Namun semakin panjang jangka waktu yang diprediksi maka kesalahan (error) model juga semakin besar. Dengan mengembangkan model yang tervalidasi (forecasting) diharapkan dapat menghasilkan informasi yang lebih akurat dalam waktu yang cepat serta mencakup wilayah yang lebih luas sehingga pemanfaatannya dapat lebih dirasakan oleh pengguna (Warsito et al 2008)

Analisis deret waktu atau time series analysis adalah rangkaian pengamatan yang tersusun berdasarkan urutan waktu. Setiap pengamatan dinyatakan sebagai variabel random Zt yang diperoleh berdasarkan urutan waktu pengamatan tertentu (ti). Adapun model-model time series diantaranya yaitu Autoregressive (AR), Moving Average (MA), Autoregressive Moving Average (ARMA) dan Autoregressive Integrated Moving Average (ARIMA). Pada praktikum ini metode yang dipakai adalah metode ARIMA. ARIMA adalah model yang memiliki tiga komponen yaitu autoregresi, integrasi dan rata-rata bergerak. Pada ARIMA, langkah yang digunakan yaitu identifikasi model, estimasi parameter dan kemudian aplikasi. Identifikasi model untuk pemodelan data deret waktu menggunakan metode ini memerlukan perhitungan dan penggambaran dari hasil fungsi autokorelasi (ACF) dan fungsi autokorelasi parsial (PACF). Hasil perhitungan ini diperlukan untuk menentukan model ARIMA yang sesuai (Eka et al, 2012).

Curah hujan merupakan unsur iklim yang sangat tinggi tingkat variabilitasnya dalam skala ruang dan waktu sehingga diperlukan data observasi yang panjang dengan perwakilan sebaran data yang memadai. Salah satu faktor yang mempengaruhi besarnya curah hujan adalah penguapan suhu permukaan laut atau Sea Surface Temperatute (SST). Meningkatnya SST akan mempengaruhi besarnya penguapan disuatu wilayah, ditambah dengan perubahan tekanan yang mengakibatkan adanya pergerakan angin sehingga curah hujan yang terjadi pun akan meningkat dari biasanya (Muharsyah 2009).
Penakar hujan pada setiap pos pengamatan hujan merupakan suatu alat pengukur hujan yang efektif dan relatif akurat dalam menggambarkan kondisi hujan pada suatu tempat. Akan tetapi sebaran pos penakar hujan ini tidak merata khususnya di daerah dengan topografi sulit, daerah tidak berpenghuni serta disekitar lautan yang mengakibatkan berkurangnya tingkat keakuratannya khususnya dalam menampilkan sebaran pola spasial curah hujan. Kondisi ini mempengaruhi prediksi hujan dengan menggunakan berbagai aplikasi model iklim (Feidas, 2010), sehingga karena kendala tersebut data satelit sangat dibutuhkan dalam pengolahan data agar sebaran merata dan akurat.
Program TRMM adalah untuk penelitian jangka panjang yang didesain untuk studi tentang tanah, laut, udara, es, dan sistem total kehidupan di bumi (Xie et al., 2007). TRMM mampu mengobservasi struktur hujan, jumlah dan distriibusinya di daerah tropis dan subtropis serta berperan penting untuk mengetahui mekanisme perubahan iklim global dan memonitoring variasi lingkungan. Data hujan yang dihasilkan oleh TRMM memiliki tipe dan bentuk yang cukup beragam yang dumulai dari level 1 sampai level 3. Level 1 merupakan data yang masih dalam bentuk raw dan telah dikalibrasi dan dikoreksi geometrik, Level 2 merupakan data yang telah memiliki gambaran paramater geofisik hujan pada resolusi spasial yang sama akan tetapi masih dalam kondisi asli keadaan hujan saat satelit tersebut melewati daerah yang direkam, sedangkan level 3 merupakan data yang telah memiliki nilai-nilai hujan, khususnya kondisi hujan bulanan yang merupakan penggabungan dari kondisi hujan dari level 2 (Feidas 2010).
NINO merupakan indeks suhu permukaan laut. NINO diperoleh dengan mengambil nilai rata-rata dari suhu permukaan di beberapa daerah tertentu (Adhani 2013). Terdapat empat wilayah NINO menurut IRI (2007), yaitu NINO1+2, NINO3, NINO3.4, dan NINO4. Wilayah NINO1+2 terletak antara ekuator 0°- 10°LS dan 80°- 90° BB. Daerah ini yang pertama kali mengalami peningkatan suhu ketika terjadi peristiwa El Nino. NINO3 terletak pada wilayah tengah Samudra Pasifik yaitu antara 5°LU - 5°LS dan 90°- 150° BB yang merupakan zona yang paling berkaitan erat dengan kondisi El Nino. Wilayah NINO3.4 terletak antara ekuator 5°LS - 5°LU dan 170°- 120°BB dan memiliki variabilitas besar pada skala waktu El Nino. NINO4 terletak pada bagian barat Samudra Pasifik antara 5°LU - 5°LS dan 150° BB - 160° BT.

Teknik analisa mann kendall merupakan uji sederhana untuk melihat trend perubahan parameter data yang dapat dilakukan secara sederhana memakai Excell. Analisa uji trend dapat memberikan beberapa keuntungan dengan memberikan nilai trend dan juga uji signifikansinya sekaligus. Penghitungan trend juga dapat dilakukan dengan bahasa program R pada paket program Rclimdex dimana berbagai index trend untuk klimatologi juga dapat dihitung. Ada syarat dan kondisi dimana penghitungan trend tidak dapat dilakukan terutama pada data yang banyak data yang hilang. Persyaratan minimal ini harus diperhatikan untuk dilakukan sebelum data dilakukan uji trend (Aldrian 2014)
Data iklim dikatakan homogen apabila simpangan yang terdapat pada data semata-mata hanya diakibatkan oleh simpangan pada iklim/cuaca., bukan oleh hal-hal lain. Data yang dapat dipercaya dan dianalisis lebih lanjut adalah data yang homogen (konsisten).
Ketidakhomogenan data dapat ditimbulkan karena perubahan lingkungan disekitar stasiun pengamatan iklim, perubahan alat atau cara pengukuran dan lain-lain sebab  yang bukan merupakan perilaku iklim. Pengujian homogenitas dimaksudkan untuk memberikan keyakinan bahwa sekumpulan data yang dimanipulasi dalam serangkaian analisis memang berasal dari populasi yang tidak jauh berbeda keragamannya (Zulkifli, 2013 ).

Analisa peluang hujan membutuhkan data hujan yang berkesinambungan, jangka panjang. Hal ini dilakukan utuk mendapatkan data dengan ketelitian tinggi, yaitu dengan mengumpulkan data selama tiga puluh tahun atau lebih (Pamin 1985). Analisis peluang digunakan untuk melakukan proporsi suatu kejadian di antara totalitas kemungkinan kejadian yang mungkin terjadi dengan persentase berdasarkan nilai hasil. Pada analisis peluang akan dipelajari mengenai pengumpulan, pengaturan, perhitungan, penggambaran, dan penganalisisan data, serta penarikan kesimpulan yang valid berdasarkan analisis yang dilakukan (Masruroh 2013).
Sebaran statistika untuk menghitung peluang merupakan salah satu analisis yang sering dimanfaatkan untuk mengolah data iklim.Peluang merupakan teori dasar stastistika, suatu disiplin ilmu yang mempelajari pengumpulan, pengaturan, perhitungan, penggambaran dan penganalisisan data, serta penarikan kesimpulan yang valid berdasarkan penganalisisan yang dilakukan dan pembuatan keputusan yang rasional (Sudjana 1996). Distribusi normal merupakan salah satu distribusi probabilitas yang penting dalam analisis statistika. Distribusi ini memiliki parameter berupa mean dan simpangan baku. Distribusi normal dengan mean = 0 dan simpangan baku = 1 disebut dengan distribusi normal standar (Wicaksono 2013).

Pengujian homogenitas dimaksudkan untuk memberikan keyakinan bahwa sekumpulan data yang dimanipulasi dalam serangkaian analisis memang berasal dari populasi yang tidak jauh berbeda keragamannya (Zulkifli, 2013 ).
Uji homogenitas merupakan uji perbedan antara dua atau lebih populasi. Semua karakteristik populasi dapat bervariasi antara satu populasi dengan yang lain. Dua di antaranya adalah mean dan varian (selain itu masih ada bentuk distribusi, median, modus, range, dll) (Hafizah 2014).
Data yang dapat dipercaya dan dianalisis lebih lanjut adalah data yang homogen (konsisten). Data yang homogen dapat memudahkan dalam menganalisis data, data yang disebut homegen adalah data yang  memiliki simpangan yang diakibatkan oleh simpangan ikilm atau cuaca. Banyak metode untuk menguji kehomogenan suatu data, misalnya metode Helmert dan Run test. Metode tersebut dapat digunakan dalam penentuan kehomogenan data. Oleh karena itu, pada praktikum kali ini praktikan akan menguji dan membandingkan masing-masing analisis data iklim dengan kedua metode tersebut.

Uji homogenitas merupakan uji perbedan antara dua atau lebih populasi. Semua karakteristik populasi dapat bervariasi antara satu populasi dengan yang lain. Dua di antaranya adalah mean dan varian (selain itu masih ada bentuk distribusi, median, modus, range, dll) (Hafizah 2014).
Data iklim dikatakan homogen apabila simpangan yang terdapat pada data semata-mata hanya diakibatkan oleh simpangan pada iklim/cuaca., bukan oleh hal-hal lain.Data yang dapat dipercaya dan dianalisis lebih lanjut adalah data yang homogen (konsisten). Ketidakhomogenan data dapat ditimbulkan karena perubahan lingkungan disekitar stasiun pengamatan iklim, perubahan alat atau cara pengukuran dan lain-lain sebab  yang bukan merupakan perilaku iklim.

Iklim adalah keadaan cuaca rata-rata dalam waktu satu tahun yang penyelidikannya dilakukan dalam waktu yang lama (minimal 30 tahun) dan meliputi wilayah yang luas. Ada beberapa unsur yang mempengaruhi cuaca dan iklim, yaitu suhu udara, tekanan udara, kelembaban udara dan curah hujan (Bayong T, 1999). Data cuaca dan data iklim terdiri dari data diskontinu dan data kontinu. Contoh data unsur cuaca yang sifatnya diskontinu diantaranya radiasi surya, curah hujan dan penguapan. Sedangkan data cuaca yang bersifat kontinu antara lain suhu udara, kelembaban udara dan kecepatan angin (Handoko 1993).
Pengaruh iklim sangat nyata dan beresiko pada bidang pertanian melalui dampak kekeringan, kebasahan atau banjir, suhu tinggi, suhu rendah atau “ frost”, angin, kelembaban tinggi dan lain-lain yang dapat mengakibatkan rendahnya hasil baik secara kuantitas maupun kualitas, juga tidak ketidakstabilan produksi secara nasional (Kaihatu 2012).
Pentingnya mempelajari data iklim yaitu meningkatkan kewaspadaan terhadap kemungkinan akibat negatif yang ditimbulkan oleh kondisi cuaca atau iklim yang ekstrim seperti kekeringan, banjir, badai, badai salju, gelombang udara panas, gelombang udara dingin, dan sebagainya.

Daerah tropika merupakan daerah yang lebih intensif menerima radiasi surya, sedikitnya sekali dalam setahun menerima penyinaran yang tegak lurus. Adanya perbedaan penyinaran radiasi menyebabkan terjadinya suhu permukaan laut menjadi naik sehingga terbentuk pusat tekanan rendah yang dapat memicu terjadinya siklon tropis yang dimulai dengan ganguan tropis seperti, depresi tropis, badai tropis dan siklon tropis.
Siklon tropis merupakan badai dengan kekuatan yang besar. Radius rata-rata siklon tropis mencapai 150 hingga 200 km. Siklon tropis terbentuk di atas lautan luas yang umumnya mempunyai suhu permukaan air laut hangat, lebih dari 26,5°C. Angin kencang yang berputar di dekat pusatnya mempunyai kecepatan angin lebih dari 63 km/jam. Secara teknis, siklon tropis didefinisikan sebagai sistem tekanan rendah non-frontal yang berskala sinoptik yang tumbuh di atas perairan hangat dengan wilayah perawanan konvektif dan kecepatan angin maksimum setidaknya mencapai 34 knot pada lebih dari setengah wilayah yang melingkari pusatnya, serta bertahan setidaknya enam jam (BMKG 2014).

Indian Ocean Dipole (IOD) merupakan bentuk interaksi atmosfer-laut tropis lain selain El Niño dan La Niña (Saji et al., 1999; Webster et al., 1999; Behera et al., 1999; Vinayachandran et al., 1999; Murtugudde et al., 2000; Rao et al., 2002). IOD bisa muncul secara dominan terpisah dari ENSO atau bersama-sama dengan ENSO. Behera et al. (1999) menyatakan bahwa IOD sebenarnya bukan peristiwa baru. Sedangkan menurut Kailaku (2009) IOD adalah Gejala penyimpangan iklim yang dihasilkan oleh interaksi laut dan atmosfer di Samudera Hindia di sekitar kathulistiwa. Interaksi tersebut menghasilkan tekanan tinggi di Samudera Hindia bagian Timur (bagian Selatan Jawa dan Barat Sumatra) yang menimbulkan aliran massa udara yang berhembus ke Barat. Hembusan angin ini akan mendorong massa air di depannya dan mengangkat massa air dari bawah ke permukaan. Kejadian IOD direpresentasikan dengan satu indeks yang diberi nama Dipole Mode Index (DMI), yaitu perbedaan SPL di bagian barat Samudera Hindia (50o - 70oBT, 10oLS - 10oLU) dan SPL di bagian timur Samudera Hindia (90o - 110o, 10oLS - ekuator) (Kailaku 2009).

El Nino-Southern Oscillation (ENSO) merupakan salah satu bentuk penyimpangan iklim di Samudera Pasifik yang ditandai dengan kenaikan suhu permukaan laut (SPL) di daerah katulistiwa bagian Tengah dan Timur (Kailaku 2009). Fenomena tersebut memainkan peranan penting terhadap variasi iklim tahunan. Pengaruh ENSO sangat terasa di beberapa wilayah Indonesia yang ditandai dengan jumlah curah hujan lebih kecil dalam tahun ENSO dibandingkan dengan pra dan pasca ENSO, sehingga dapat menyebabkan musim kemarau lebih panjang. Selain dapat mempengaruhi tingginya curah hujan, kejadian El-Nino juga berpengaruh terhadap masuknya musim kemarau. El-Nino biasanya diikuti dengan penurunan curah hujan dan peningkatan suhu udara, sedangkan kejadian La-Nina merangsang kenaikan curah hujan di atas curah hujan normal (Irawan 2006). Pernyataan tersebut diperkuat dengan pendapat menurut Fox (2000) bahwa El Nino dan La Nina merupakan anomali iklim global.

Salah satu fenomena global yang mempengaruhi cuaca dan iklim Indonesia adalah Madden Julian Oscillation (MJO) (Evana et al. 2008). MJO merupakan fenomena dominan di kawasan ekuator dengan waktu periode osilasi berkisar antara 30 hingga 70 harian akibat pengaruh awan-awan konveksi yang terbentuk di atas Samudera Hindia (sebelah barat Indonesia) kemudian bergerak ke arah timur di sepanjang garis ekuator (Hermawan 2010). Menurut Seto (2002) MJO berperan penting sebagai variasi intra musim (intraseasonal variations) yang berpengaruh terhadap variasi cuaca di daerah tropis.

Quasi Biennal Oscillation (QBO) adalah suatu fenomena berputarnya angin tropikal di stratosfer bawah dari arah timur ke arah barat yang terjadi dalam waktu dua tahun sekali. Perputaran ini akan memengaruhi transpor ozon. Bila di stratosfer berembus angin baratan maka ozon pada lintang menengah dan kutub akan berkurang sekitar 6%–8%. Sebaliknya, bila angin timuran berhembus akan meningkatkan konsentrasi ozon. Perputaran dari angin zonal (baratan) menjadi timuran ini memiliki orde yang bervariasi antara 22 hingga 34 bulan. Orde rata-rata adalah 27 bulan. Fenomena QBO ini menyebabkan terbentuknya anomali ozon di wilayah tropis.

Menurut (Kailaku 2009) ENSO (El Nino-Southern Oscillation) merupakan salah satu bentuk penyimpangan iklim di Samudera Pasifik yang ditandai dengan kenaikan suhu permukaan laut (SPL) di daerah katulistiwa bagian Tengah dan Timur. Fenomena tersebut memainkan peranan penting terhadap variasi iklim tahunan. Pengaruh ENSO sangat terasa di beberapa wilayah Indonesia yang ditandai dengan jumlah curah hujan lebih kecil dalam tahun ENSO dibandingkan dengan pra dan pasca ENSO, sehingga dapat menyebabkan musim kemarau lebih panjang. Selain dapat mempengaruhi tingginya curah hujan, kejadian El-Nino juga berpengaruh terhadap masuknya musim kemarau.

Iklim di Indonesia dipengaruhi oleh monsoon yang ditimbulkan oleh adanya sel tekanan tinggi dan sel tekanan rendah di benua Asia dan Australia secara bergantian. Pada musim dingin di belahan bumi utara (BBU), yaitu pada bulan Desember, Januari, dan Februari, terdapat sel tekanan tinggi di benua Asia sedangkan di belahan bumi selatan pada waktu tersebut terjadi musim panas akibatnya terdapat sel tekanan rendah di benua Australia. Karena adanya perbedaan tekanan di kedua benua tersebut maka angin bertiup dari benua Asia menuju Australia. Selama periode ini di sebagian besar wilayah Indonesia terutama di sebelah selatan khatulistiwa angin bertiup dari barat ke timur yang praktis bersamaan dengan musim hujan. Sementara pada musim panas di belahan bumi utara terjadi sebaliknya, angin berhembus dari benua Australia menuju ke benua Asia sehingga angin di wilayah Indonesia bertiup dari timur ke barat yang bersamaan dengan musim kemarau, yaitu pada bulan Juni, Juli dan Agustus (Mulyana 2002).

AUSMI merupakan singkatan dari Australia Monsun Index, didefinisikan sebagai nilai rata-rata angin zonal pada level ketinggian 850 milibar dalam area antara 5–15LS dan 110–130BT. Indeks monsun Australia tersebut merepresentasikan dengan sangat baik curah hujan monsunal di sebagian BMI dan di Australia bagian utara pada skala musiman, antarmusiman, tahunan, antartahunan, hingga skala 10-tahunan (Yulihastin 2011).