POLA SPASIAL DAN TEMPORAL KLIMATOLOGIS TEKANAN UDARA PERMUKAAN WILAYAH INDONESIA
SASTRA AMDINATA PUTRI
DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pola Spasial dan Temporal Klimatologis Tekanan Udara Permukaan Wilayah Indonesia adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, September 2015 Sastra Amdinata Putri NIM G24110048
ABSTRAK SASTRA AMDINATA PUTRI. Pola Spasial dan Temporal Klimatologis Tekanan Udara Permukaan Wilayah Indonesia. Dibimbing oleh AHMAD BEY Tekanan udara permukaan memainkan peran penting dalam mengendalikan kondisi iklim wilayah. Perbedaan tekanan udara permukaan dapat mempengaruhi sistem sirkulasi atmosfer. Penelitian ini bertujuan untuk menyelidiki pola dominan tekanan permukaan di Indonesia. Pola tekanan udara permukaan dianalisis menggunakan Fungsi Autokorelasi dan Empirical Orthogonal Functions (EOFs). Hasil penelitian ini menunjukkan bahwa variabilitas non musiman dari tekanan permukaan seluruh Indonesia dapat dijelaskan komponen utama (PCs) pertama dan kedua dengan proporsi kumulatif sebesar 92% dari total varian. Fluktuasi tekanan udara permukaan diduga menghasilkan gaya yang dapat mengendalikan sirkulasi Hadley dan Walker. Variabilitas musiman dari tekanan permukaan ditunjukkan oleh PC-1 dengan proporsi kumulatif lebih dari 90% dari total varian. Komponen meridional tekanan permukaan di Indonesia lebih dominan dari pada komponen zonal. Variabilitas musiman dari permukaan meridional tekanan di Indonesia diduga berkaitan dengan fenomena monsoon. Kata kunci: EOFs, fungsi autokorelasi, komponen utama, sirkulasi atmosfer, dan variabilitas
ABSTRACT SASTRA AMDINATA PUTRI. Climatic Patterns of Spatial and Temporal Surface Pressure Over Indonesia. Supervised by AHMAD BEY. Surface pressure patterns play significant roles in controlling climatic conditions of a region. Differences in surface pressure patterns can affect atmospheric circulation systems. This study aims to investigate dominant patterns of surface pressure over Indonesia. Surface pressure data are analyzed using methods based on Autocorrelation Functions and Empirical Orthogonal Functions (EOFs). Results of this research show that non seasonal variability of surface pressures over Indonesia can be explained by the first and the second principle components (PCs) with the cumulative proportions of about 92% of total variance. Fluctuations of surface pressures may be important in generating forces, which can, eventually, drive Hadley and Walker circulations. The importance of seasonal variability of surface pressures indicated by the first principle components (PCs) with the cumulative proportion of more than 90% of total variance. Meridional components of surface pressures over Indonesia are more significant than zonal components. Seasonal variability of meridional surface pressure over Indonesia is, very likely, related to monsoon phenomenon. Keywords: EOFs, autocorrelation functions, principle component, atmospheric circulation, variability.
POLA SPASIAL DAN TEMPORAL KLIMATOLOGIS TEKANAN UDARA PERMUKAAN WILAYAH INDONESIA
SASTRA AMDINATA PUTRI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Geofisika dan Meteorologi
DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Judul Skripsi: Pola Spasial dan Temporal Klimatologis Tekanan Udara Permukaan Wilayah Indonesia Nama : Sastra Amdinata Putri : 024110048 NIM
Disetujui oleh
~ Prof Dr Ir Ahmad Bey Pembimbing
Diketahui oleh "
Dr Ir Tania June, MSc Ketua Departemen
Tanggal Lulus:
l
0 SEP 2015
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah yang berjudul “Pola Spasial dan Temporal Klimatologis Tekanan Udara Permukaan Wilayah Indonesia”. Penelitian ini dilakukan dari Februari-September 2015 di Laboratorium Meteorologi dan Pencemaran Atmosfer. Penulis mengucapkan terima kasih kepada: 1 Prof Dr Ir Ahmad Bey selaku dosen pembimbing skripsi yang telah memberikan bimbingan dan pengarahan hingga tugas akhir ini terselesaikan dengan baik. 2 Bapak Idung Risdiyanto dan Bapak Sonny Setiawan selaku dosen penguji 3 Dosen-dosen serta staf Departemen Geofisika dan Meteorologi. 4 Ama, Apa, Abang, Anje, Tia, Tika, Tiwi, serta Ikhsan yang telah memberikan dukungan, doa, dan semangat kepada penulis. 5 Teman-teman mahasiswa GFM angkatan 48, Himagreto (Himpunan Mahasiswa Agrometeorologi), Limpapeh Rumah Nan Gadang, dan HIMAPD (Himpunan Mahasiswa Padang), dan Wisma Ungu atas kebersamaan serta pengalaman yang diberikan selama perkuliahan. Penulis menyadari tulisan karya ilmiah ini jauh dari kesempurnaan, namun demikian penulis berharap agar tulisan ini dapat memberikan manfaat bagi pembacanya.
Bogor, September 2015 Sastra Amdinata Putri
DAFTAR ISI DAFTAR TABEL
xi
DAFTAR GAMBAR
xi
DAFTAR LAMPIRAN
xi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
TINJAUAN PUSTAKA
2
Empirical Orthogonal Function (EOF)
2
Metode Interpolasi Kriging
2
METODE
2
Waktu dan Tempat
2
Alat dan Bahan
3
Prosedur Analisis Data
3
HASIL DAN PEMBAHASAN SIMPULAN DAN SARAN
7 17
Simpulan
17
Saran
18
DAFTAR PUSTAKA
18
LAMPIRAN
20
RIWAYAT HIDUP
27
DAFTAR TABEL 1 Nilai komponen utama dari pola non musiman tekanan udara permukaan di wilayah Indonesia
9
DAFTAR GAMBAR 1 Diagram alir penelitian 2 Peta wilayah kajian 3 Pola ACF data tekanan udara permukaan di Indonesia tahun 1984-2014 sebelum dilakukan proses diferencing 4 Plot ACF data bulanan tekanan udara permukaan di Indonesia tahun 1984-2014 tanpa faktor musiman 5 Distribusi eigenvector PC-1 pola non musiman tekanan udara permukaan di wilayah Indonesia 6 Distribusi eigenvector PC-2 pola non musiman tekanan udara permukaan di wilayah Indonesia 7 Distribusi eigenvector a) PC-3 dan b) PC-4 pola non musiman tekanan udara permukaan di wilayah Indonesia 8 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Desember berdasarkan komponen meridional 9 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Desember berdasarkan komponen zonal 10 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Maret berdasarkan komponen meridional 11 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Maret berdasarkan komponen zonal 12 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juni berdasarkan komponen meridional 13 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juni berdasarkan komponen zonal 14 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan September berdasarkan komponen meridional 15 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan September berdasarkan komponen zonal
3 7 7 8 10 11 11 13 13 14 14 15 15 16 17
DAFTAR LAMPIRAN 1 Bentuk data tekanan udara permukaan untuk pengamatan pola tekanan udara permukaan di Indonesia 2 Bentuk data tekanan udara permukaan yang diorganisir berdasarkan posisi bujur untuk pengamatan pola musiman tekanan udara permukaan di Indonesia 3 Bentuk data tekanan udara permukaan yang diorganisir berdasarkan posisi lintang untuk pengamatan pola musiman tekanan udara 4 Nilai komponen utama pertama dari tekanan udara permukaan bulanan berdasarkan variasi komponen meridional
19
20 20 21
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Nilai komponen utama pertama dari tekanan udara permukaan bulanan berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Januari berdasarkan variasi komponen meridional Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Januari berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Januari berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Februari berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan April berdasarkan variasi komponen meridional Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan April berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Mei berdasarkan variasi komponen meridional. Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Mei berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juli berdasarkan variasi komponen meridional Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juli berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Agustus berdasarkan variasi komponen meridional Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Agustus berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Oktober berdasarkan variasi komponen meridional Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Oktober berdasarkan variasi komponen zonal Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan November berdasarkan variasi komponen meridional. Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan November berdasarkan variasi komponen zonal
21 21 21 22 22 22 22 23 23 24 24 24 25 25 25 26 26
PENDAHULUAN Latar Belakang Tekanan udara permukaan mengalami perubahan secara spasial dan temporal. Perubahan ini dapat mempengaruhi sistem sirkulasi atmosfer secara lokal, regional, maupun global. Wilayah Indonesia dipengaruhi oleh sirkulasi atmosfer meridional (sirkulasi Hadley), sirkulasi zonal (sirkulasi Walker), dan Monsoon (Tjasyono 2004). Sirkulasi Hadley terjadi akibat adanya pemanasan yang lebih intensif di wilayah ekuator (Oort dan Yienger 1996). Monsoon merupakan sirkulasi angin periodik yang timbul akibat adanya perbedaan tekanan antara daratan dan lautan. Monsoon barat menyebabkan peningkatan curah hujan di Indonesia dan monsoon timur menyebabkan penurunan curah hujan (Ramage 1971). Sirkulasi Walker yaitu sirkulasi zonal arah timur-barat yang terjadi akibat perbedaan tekanan antara pasifik timur dan pasifik barat. Saat kondisi normal, fenomena ini ditandai dengan kenaikan massa udara akibat tekanan udara yang lebih rendah di bagian pasifik barat (dekat kepulauan Indonesia), sehingga terjadi peningkatan curah hujan di Indonesia. Sebaliknya, saat anomali negatif terjadi penurunan curah hujan di Indonesia (Adrian 2008). Iklim merupakan ukuran statistik cuaca untuk jangka waktu tertentu dan lokasi tertentu yang dipengaruhi berbagai unsur cuaca (Tjasyono 2004). Kajian mengenai iklim membutuhkan data jangka panjang dan jangkauan wilayah yang luas. Data iklim yang tersedia dalam bentuk harian dan bulanan memberikan peluang untuk mengidentifikasi proses-proses perubahan kondisi iklim lebih akurat. Jika data tersebut dianalisis secara langsung, maka jumlah data yang digunakan terlalu banyak untuk dikelola. Cara yang yang dapat dilakukan untuk mengurangi dimensi data, tetapi tidak menghilangkan informasi yang ada pada data yaitu dengan menggunakan Empirical Orthogonal Function (EOF). Tujuan dari EOF yaitu menjelaskan sebanyak mungkin variansi data dengan sedikit mungkin dimensi data yang digunakan, sehingga proses pengolahan data menjadi lebih mudah (Supranto 2004). EOF juga dapat digunakan untuk menjelaskan pola dominan dari data iklim (Wilks 2010). Pola dominan ini diperoleh dari variabel baru yang dihasilkan oleh EOF yang dapat menjelaskan sebagian besar variabilitas yang ada dalam data asli minimal sebesar 80 % (Rencher 2001). Penelitian ini mengidentifikasi pola musiman dan non musiman tekanan udara permukaan di Indonesia, mengidentifikasi penyebab terjadinya fluktuasi tekanan udara permukaan di Indonesia, serta mengidentifikasi pengaruh vaariabilitas tekanan udara permukaan terhadap kondisi cuaca wilayah. Informasi mengenai pola tekanan udara sangat diperlukan dalam prediksi cuaca jangka panjang dan pendek, agar dampak negatif yang ditimbulkan dapat diminimalisir. Penggunaakan parameter tekanan udara permukaan untuk menentukan peluang terjadinya hujan suatu wilayah, mengidentifikasi daerah yang mengalami peningkatan ketinggian gelombang laut, menentukan wilayah yang terkena dampak terjadinya monsoon dan lain-lain.
2 Tujuan Penelitian Tujuan dari penelitian ini yaitu menyelidiki pola dominan tekanan udara permukaan di Indonesia dengan menggunakan metode Empirical Orthogonal Function (EOF).
TINJAUAN PUSTAKA Empirical Orthogonal Function (EOF) Empirical Orthogonal Function (EOF) merupakan teknik stastistik yang digunakan untuk mengurangi dimensi himpunan peubah asal yang umumnya banyak dan saling berkorelasi menjadi peubah-peubah baru yang tidak berkorelasi. Tujuan dari teknik ini yaitu untuk mengurangi dimensi data asli yang terlalu luas untuk dikelola dan menghilangkan korelasi antar variabel (Wilks 2011). Peubah baru keluaran EOF dapat menjelaskan minimal 80% keragaman data asal (Rencher 2001). Analisis EOF dapat digunakan untuk mengidentifikasi variabilitas data secara obyektif dan untuk menganalisa hubungan antara variabel dan dapat menemukan karakteristik data yang tersembunyi (Sofiati 2012). EOF dapat digunakan untuk menganalisis data vektor dalam interval tertentu (Hannachi 2004) dan dapat menentukan pola dominan yang terjadi pada data (Stull 2011). Analisis EOF merupakan perangkat yang baik untuk kompresi dan reduksi data secara dimensional di dalam ilmu atmosfer, oseanografi, dan iklim (Monahan et al. 2009). Metode Interpolasi Kriging Interpolasi merupakan teknik dalam mengisi kekosongan dari sekumpulan data untuk menghasilkan sebaran yang kontinyu. Interpolasi kriging yaitu metode yang digunakan dalam estimasi nilai suatu titik pada tiap-tiap grid dengan memperhatikan nilai dari titik yang tersedia. Kriging mengasumsikan bahwa jarak antar titik mencerminkan hubungan spasial yang dapat digunakan untuk menjelaskan variasi di permukaan. Kriging dapat menghasilkan titik-titik bernilai ekstrem tanpa membentuk galat dalam proses interpolasi. Metode ini dapat mereduksi galat dengan baik, sehingga dihasilkan data grid yang akurat pada data Interpolasi kriging dapat dilakukan pada software Surfer (Golden Software Inc 2002).
METODE Waktu dan Tempat Penelitian ini dilakukan pada bulan Februari 2015 hingga September 2015 di Laboratorium Meteorologi dan Pencemaran atmosfer, Departemen Geofisika dan Meteorologi, Institut Pertanian Bogor.
3 Alat dan Bahan Alat yang digunakan dalam penelitian ini yaitu seperangkat komputer dengan sistem operasi Windows. Aplikasi Microsoft Excel 2010 dan Matlab untuk analisis EOF. Minitab versi 14 digunakan dalam analisis fungsi autokorelasi. Software ODV (Ocean Data View) 4 untuk mengekstrak data dari format netCDF menjadi format excel. Surfer 11 untuk pemetaan pola dominan tekanan udara permukaan. Bahan yang digunakan dalam penelitian ini yaitu data rata-rata bulanan tekanan udara permukaan di Wilayah Indonesia pada koordinat 60 LU-110 LS dan 930 BT-1410 BT dari tahun 1984 – 2014 dengan resolusi data sebesar 30. Data tersebut merupakan data ERA-Interim diperoleh dari ECMWF (Europe Center for Medium Range Weather Forecasting). Prosedur Analisis Data Data tekanan udara permukaan
Organisir data
Identifikasi pola non musiman
Fungsi autokorelasi
Identifikasi pola musiman
variasi komponen zonal
EOF
EOF
Interpolasi krigging
Interpolasi kriging
overlay peta
overlay peta Gambar 1 Diagram alir penelitian.
variasi komponen meridional EOF Interpolasi krigging overlay peta
4 Organisir Data Data tekanan udara permukaan yang diperoleh dari ECMWF diorganisir menjadi 2 kondisi yaitu berdasarkan pola non musiman dan musiman. Pengamatan mengenai pola non musiman tekanan udara permukaan dilakukan dengan cara mengorganisir data menjadi tabel pada Lampiran 1. Data yang digunakan merupakan data tekanan udara permukaan bulanan dari Januari 1984Desember 2014. Data yang digunakan untuk pengamatan pola musiman tekanan udara permukaan diorganisir menjadi 2 kondisi yaitu menurut posisi bujur dan posisi lintang. Data yang diorganisir memiliki posisi bujur yang sama tetapi posisi lintang berbeda (lampiran 2). Tujuannya yaitu untuk mengamati variasi komponen zonalnya. Lalu, data yang diorganisir dengan posisi lintang yang sama tetapi posisi bujur berbeda (lampiran 3). Tujuannya yaitu untuk mengamati variabilitas komponen meridional tekanan udara permukaan. Periode pengamatan yang digunakan dalam pengamatan pola musiman yaitu data per bulan tekanan udara permukaan selama 31 tahun. Fungsi Autokorelasi (ACF) Menurut Makridakis (1999), koefisien autokorelasi menunjukkan keeratan hubungan nilai peubah yang sama dalam periode waktu yang berbeda. Koefisien autokorelasi dapat dinyatakan ke dalam persamaan (1) dengan nilai k=0,1,2,…, n. n-k
rk =
∑t=1( t -̅)( t -̅) t -̅
∑nt=1
2
(1)
Seperti halnya autokorelasi merupakan fungsi atas lag-nya, yang hubungannya dinamakan fungsi autokorelasi. Fungsi autokorelasi digunakan untuk menentukan kestasioneran data. Secara visual kestasioneran data dapat dilihat dari plot ACF. Data bersifat stasioner dapat digunakan untuk analisis time series. Jika data bersifat tak stasioner, maka data tersebut harus distasionerkan terlebih dahulu menggunakan proses differencing. Proses differencing secara umum dapat dinyatakan dengan persamaan dibawah ini =
i
-
i
(2) Dengan: W = nilai setelah proses diferencing L = lag atau jeda waktu Yi = Nilai pada pengamatan ke- i Empirical Orthogonal Function (EOF) Menurut Haan (1967) tahapan-tahapan yang dilakukan dalam EOF yaitu mengorganisir data ke dalam bentuk matriks, membuat matriks varian-kovarian, menentukan eigenvalue dan eigenvector, menentukan jumlah komponen utama yang dapat mewakili kondisi data, dan membuat kombinasi linear komponen utama. EOF secara umum dapat dituliskan ke dalam persamaan 3. merupakan matriks dari komponen utama yang berdimensi . merupakan matriks
5 dari simpangan rata-rata yang berdimensi koefisien yg merupakan transformasi linear
, dan
⃗ ⃗
⃗
merupakan matriks
. (3)
Data time series dalam pengukuran terdiri dari sejumlah variabel (p) dan dalam waktu (n), lalu data dibuat dalam bentuk matriks. Matriks berdimensi p × n yang mana p merupakan jumlah stasiun dan n merupakan waktu pengamatan per bulan, sehingga dihasilkan n buah komponen utama. Persamaan 4 menunjukkan matriks yang merupakan matriks deviasi dari nilai rata-rata. 11 21
=[
12 … 22 …
1 2n
2…
n
]
(4)
Selanjutnya yaitu membentuk matrik varian-kovarian. [ ] merupakan matriks varian-kovarian yang berukuran , n merupakan jumlah observasi, [ ] merupakan matrik deviasi dari nilai rata-rata, dan [ ] merupakan matrik X transpose. [ ]=
1 n-1
[ ][ ]
(5)
s11 s12 … s1
= [s21 s22 … s2n ]
(6)
s 1s 2…s n
Diagonal dari matriks S merupakan nilai varians dan elemen lainnya merupakan nilai kovarian. Jumlah dari total varian (V) didefenisikan sebagai jumlah varians dari data awal yang dapat diestimatikan ke dalam persamaan berikut = race = ∑i=1 sii (7) Fungsi linear komponen utama ke-j dapat dituliskan menjadi ⃗⃗⃗. a⃗j ⃗⃗⃗= j ⃗⃗⃗=[ j j] Nilai varians dari
j
(8) (9)
dibentuk dari persamaan berikut ar ⃗⃗⃗j = ar ⃗⃗⃗. a⃗j ar( j ) = ⃗⃗⃗⃗ aj .⃗⃗. ⃗⃗⃗⃗ aj
(10) (11)
Untuk menghasilkan komponen utama yang tidak saling berkorelasi, maka ragam harus dimaksimumkan. ar( j ) dimaksimumkan dengan menggunakan pengali langrangian berikut =a⃗⃗⃗⃗j . ⃗⃗ . ⃗⃗⃗⃗ aj
j
1-⃗⃗⃗⃗ aj ⃗⃗⃗⃗ aj )
(12)
6 Q dimaksimumkan dengan menggunakan turunan d da⃗⃗⃗i
⃗⃗⃗⃗ aj . ⃗⃗ . ⃗⃗⃗ aj
j
d =0 da⃗⃗⃗⃗i
1- ⃗⃗⃗ aj a⃗⃗⃗j )) = 0
(13)
⃗⃗. ⃗⃗⃗⃗aj j . ⃗⃗⃗⃗=0 aj (14) ⃗⃗- j a⃗⃗⃗=0 (15) j Agar persamaan (X) tidak menghasilkan solusi yang trivial (⃗⃗⃗⃗ aj , maka ⃗⃗ persamaan tersebut diubah kedalam bentuk | - j |=0. merupakan eigenvalue (akar ciri) dan merupakan eigenvector (vektor ciri). Eigenvalue menyatakan ragam, sedangkan eigenvector merupakan koefisien dari komponen utama ke-j. Setelah didapatkan eigenvalue dan eigen vector, maka dapat diketahui jumlah komponen utama besarnya persentase total keragaman dari komponen utama ke-j. Penentuan jumlah dan komponen dapat menggunakan proporsi kumulatif yang lebih dari 80 % (Rencher 2001) atau menggunakan eigenvalue yang lebih besar dari 1 (Levina et al. 2011). Jika menggunakan proporsi kumulasi, maka dapat menggunakan persamaan berikut =
100 i race
Kombinasi linear komponen utama diperoleh dengan eigenvector transpose (⃗⃗⃗⃗ aj dengan variabel pada data awal. ⃗⃗⃗⃗ aj
(16) mengalikan
(17)
EOF menghasilkan komponen-komponen utama yang tidak saling berkorelasi. Komponen utama (PC-1) menunjukan kombinasi linear yang memiliki variansi paling maksimum. Sisa variansi yang tidak terhitung oleh komponen utama pertama akan muncul pada komponen utama kedua dan seterusnya. Metode Interpolasi Krigging Interpolasi krigging dilakukan dengan mengestimasi nilai pada titik yang tidak terukur dari titik yang nilainya terukur. Nilai estimasi tersebut dapat diperoleh dari persamaan berikut =∑
i i
Keterangan: = nilai prediksi = bobot pada lokasi = nilai terukur pada lokasi pengamatan ke-i
7
HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini yaitu data ERA-Interim yang merupakan hasil keluaran dari ECMWF. Data ERA-Interim merupakan hasil model dan reanalisis yang divalidasi menggunakan observasi lapang seperti, observasi lautan, observasi dari pesawat udara, upper air soundings, dan data satelit (Dee et al. 2011). Posisi pengamatan berada pada 930 BT- 1410 BT dan 60 LU – 120 LS. Data yang digunakan memiliki resolusi sebesar 30 30, sehingga didapatkan 17 grid yang sejajar dengan posisi bujur dan 7 grid yang sejajar dengan posisi lintang. Jumlah titik pengamatan yaitu sebanyak 119 titik. Sebaran titik pengamatan terdapat pada Gambar 2 (titik berwarna biru).
Gambar 2 Peta wilayah kajian Variabilitas cuaca dan iklim di Indonesia sangat dipengaruhi oleh faktor musiman. Kondisi ini disebabkan oleh adanya perbedaan distribusi panas matahari antara belahan bumi utara (BBU) dan belahan bumi selatan (BBS) (Webster dan Fasullo 2003). Fungsi autokorelasi dapat digunakan untuk menentukan apakah data dipengaruhi oleh faktor musiman atau tidak. Data tekanan udara permukaan diolah menggunakan ACF dan didapatkan hasil bahwa tekanan udara permukaan sangat dipengaruhi oleh faktor musiman. Data yang dipengaruhi oleh faktor musiman akan membentuk pola yang tidak stasioner pada plot ACF (Makridakis 1999). Plot ACF pada Gambar 3 membentuk pola yang tidak stasioner. Gambar membentuk pola bergelombang, nilai autokorelasi cendrung turun lambat, dan bernilai nol untuk beberapa periode waktu. Fungsi Autokorelasi 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1
5
10
15
20
25
30 35 Lag
40
45
50
55
60
Gambar 3 merupakan pola ACF data tekanan udara permukaan di Indonesia tahun 1984-2014 sebelum dilakukan proses diferencing
8 Data tekanan udara permukaan lalu dihilangkan faktor musimannya agar dapat diamati pola non musiman dari data. Faktor musiman dihilangkan dengan menggunakan proses differencing. Proses diferencing dilakukan dengan cara mencari selisih nilai pada waktu yang ingin diamati dengan nilai saat ini. Data yang digunakan dalam penelitian ini berupa data bulanan dengan lag atau beda waktu sebesar 12, sehingga data ke pada i+12 dengan dikurangin dengan data ke i. Data yang telah dihilangkan faktor musimannya lalu diolah dengan ACF untuk melihat pola dari data. Data yang telah dihilangkan faktor musimannya akan membentuk pola yang stasioner (Makridakis 1999). Gambar 4 memiliki pola yang stasioner karena nilai rata-rata dan variansnya hampir konstan sepanjang waktu. Hal ini ditunjukkan oleh garis berwarna putus-putus yang sejajar terhadap sumbu x. Gambar tidak membentuk tren naik, tren turun, atau bergelombang. Data hasil proses differencing lalu digunakan untuk pengamatan variasi non musiman tekanan udara permukaan. Fungsi Autokorelasi tanpa musiman 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1
5
10
15
20
25
30 35 Lag
40
45
50
55
60
Gambar 4 Plot ACF data bulanan tekanan udara permukaan di Indonesia tahun 1984-2014 tanpa faktor musiman Pengamatan mengenai kondisi iklim memerlukan data observasi jangka panjang, minimal selama 30 tahun. Semakin banyak jumlah data yang digunakan, maka peluang untuk mengidentifikasi kondisi iklim dapat menjadi lebih akurat. Jika keseluruhan data tersebut dianalisis, maka jumlah data yang digunakan terlalu banyak untuk dikelola. Cara yang dapat dilakukan untuk mengurangi dimensi data, tetapi tidak menghilangkan informasi yang ada pada data yaitu dengan menggunakan Empirical Orthogonal Function (EOF). Data yang telah dihilangkan pola musimannya lalu diolah untuk mengamati pola non musiman data. Data tersebut lalu diorganisir menjadi sebuah matriks yang berdimensi 119 x 372. Angka 119 merupakan jumlah stasiun dan angka 372 merupakan jumlah observasi. Data tersebut diolah menggunakan EOF. EOF menghasilkan keluaran berupa eigenvalue dan eigenvector. Eigenvalue digunakan untuk menjelaskan kontribusi lokasi ke i terhadap dinamika data serta proporsi kumulatif dari komponen utama yang dapat mewakili kondisi data. Eigenvector digunakan untuk menggambarkan pola dominan dari data (Satriyani 2007). Data tekanan udara permukaan yang telah dihilangkan faktor musimannya memiliki 119 buah eigenvalue yang dapat merepresentasikan 100% dari total keragaman dinamika tekanan udara permukaan selama rentang waktu pengamatan. Eigenvalue menjelaskan keragaman yang dapat direpresentasikan oleh data. Eigenvector mendeskripsikan hubungan daerah-daerah yang memiliki variabilitas
9 tekanan udara. Semakin tinggi eigenvector (semakin gelap warna kontur), maka flukuasi tekanan yang terjadi semakin besar. Sebaliknya semakin rendah eigenvector (semakin terang warna kontur), maka perbedaan tekanan udara permukaan yang ditunjukkan semakin semakin kecil. Tabel 1 Nilai komponen utama dari pola non musiman tekanan udara permukaan di wilayah Indonesia Parameter PC-1 PC-2 PC-3 PC-4 Eigenvalue 138.77 8.05 5.49 2.37 Proporsi 0.87 0.05 0.03 0.01 Kumulatif 0.87 0.92 0.95 0.97 Komponen utama pertama (PC-1) pada Tabel 1 memiliki nilai eigenvalue yang lebih besar dibandingkan komponen utama lainnya. PC-1 dapat menjelaskan 87% dari total keragaman dari keseluruhan variabilitas tekanan udara permukaan di Indonesia. Rentang eigenvector yang dihasilkan tergolong kecil yaitu berkisar dari 0.6 – 0.12. Gambaran pola non musiman tekanan udara permukaan pada Gambar 5 cukup jelas terlihat adanya komponen utara-selatan. Nilai eigenvector yang lebih besar (warna gelap) menunjukkan fluktuasi tekanan udara permukaan di bagian selatan Indonesia. Nilai eigenvector yang lebih rendah (warna yang lebih terang) di bagian utara Indonesia menunjukkan fluktuasi tekanan udara yang lebih rendah. Perbedaan fluktuasi tekanan udara permukaan bagian utara dan selatan diduga berhubungan dengan sirkulasi Hadley. Sirkulasi Hadley yaitu sirkulasi atmosfer utara-selatan yang terjadi akibat pemanasan yang intensif di wilayah ekuator. Konvergensi sirkulasi Hadley di kedua belahan bumi utara dan selatan menyebabkan turunnya hujan yang lebat di wilayah tropis yang bergerak ke sebelah utara dan selatan mengikuti gerak semu matahari (Avia dan Hidayati 2011). Menurut Sofiati (2012), wilayah Indonesia bagian utara memiliki perbedaan yang kontras dengan bagian selatan Indonesia. Perbedaan ini mengakibatkan terjadinya variasi musim yang dapat diamati dari pola curah hujan antara kedua wilayah tersebut. Berdasarkan observasi curah hujan yang dilakukan oleh Bayong dan Zadrach (1996) bahwa terdapat perbedaan waktu terjadinya puncak curah hujan antara bagian utara Indonesia dan bagian selatan. Puncak curah hujan di wilayah utara Indonesia yaitu pada bulan Juni hingga Agustus, sedangkan pada bagain selatan Indonesia terjadi pada bulan Desember hingga Februari.
10
Gambar 5 Distribusi eigenvector PC-1 pola non musiman tekanan udara permukaan di wilayah Indonesia PC-2 memiliki proporsi kontribusi yang lebih rendah dibanding PC-1. PC2 dapat menjelaskan keadaan yang tidak dapat dijelaskan oleh PC-1 karena variansi yang tidak terhitung oleh komponen utama pertama akan muncul pada PC-2. PC-2 dapat menjelaskan dinamika tekanan udara permukaan sebesar 5% dengan proporsi kumulatif sebesar 92%. PC-2 membentuk pola yang orthogonal terhadap pola pada PC-1. Hal ini dapat diamati dari nilai eigenvalue dari PC-1 yang keseluruhannya bernilai positif, sedangkan PC-2 bernilai negatif. Berdasarkan pola distribusi eigenvector, dapat dilihat bahwa bagian Indonesia timur dominan memiliki nilai yang lebih tinggi dibandingkan bagian barat Indonesia. Hal ini berarti kondisi tekanan di Indonesia bagian timur lebih sering terjadi fluktuasi tekanan udara permukaan dibandingkan Indonesia bagian barat. Distribusi eigenvector menunjukkan pola timur-barat pada Gambar 6. Fluktuasi tekanan udara menguat di bagian timur Indonesia lalu melemah ke bagian barat. Kondisi ini diduga berhubungan dengan adanya sirkulasi zonal (sirkulasi Walker). Sirkulasi Walker merupakan sirkulasi atmosfer timur-barat yang disebabkan oleh variasi suhu muka laut antara bagian timur dan barat Samudra Pasifik. Variasi suhu ini menyebabkan terjadinya perubahan tekanan udara. Pada saat terjadinya perubahan tekanan udara, panas yang terkandung dalam lautan dialihkan menuju atmosfer. Saat kondisi normal, sirkulasi ini memusat di sekitar wilayah Indonesia, sedangkan pada tahun El-nino sirkulasi ini bergerak kearah timur Samudra Pasifik (Mulyana E 2002). Adanya pergerakan timur-barat yang sesuai dengan kejadian sirkulasi Walker yang mana terjadi pergeseran musim dari Pasifik barat ke sekitar Indonesia (Berg dan Avry 1994). Keberadaan daratan dan lautan juga mempengaruhi kondisi tekanan udara permukaan. Semakin dekat jarak lautan terhadap daratan, maka perubahan tekanan udara permukaan yang terjadi lebih besar. Kondisi ini dapat diamati pada laut di bagian timur Indonesia dengan bagian barat Indonesia. Jarak laut yang lebih dekat dibagian timur Indonesia menyebabkan fluktuasi tekanan udara lebih besar terjadi di bagian timur dibandingkan dengan bagian barat Indonesia (Adrian 2008).
11
Gambar 6 Distribusi eigenvector PC-2 pola non musiman tekanan udara permukaan di wilayah Indonesia PC-3 dan PC-4 memiliki nilai proporsi yang lebih rendah dibanding komponen utama lainnya. PC-3 dapat merepresentasikan 3% dari keseluruhan dinamika tekanan udara permukaan dengan nilai eigenvalue sebesar 5.49. PC-4 mewakili data sebesar 1 % dengan nilai eigenvalue sebesar 2.37. PC-3 dan PC-4 hanya dapat menjelaskan sebagian kecil dinamika tekanan udara permukaan. Hal ini dapat dilihat pada nilai eigenvalue yang dihasilkan semakin kecil dengan bertambahnya PC yang digunakan. Penggunaan PC-1 dan PC-2 sudah mampu merepresentasikan pola dominan tekanan udara permukaan di wilayah Indonesia dengan persentase kumulatif sebesar 92%.
(a)
(b) Gambar 7 Distribusi eigenvector a) PC-3 dan b) PC-4 pola non musiman tekanan udara permukaan di wilayah Indonesia
12 Pola dominan tekanan pada bulan Desember dapat direpresentasikan oleh komponen utama pertama. Komponen utama (PC) dari komponen meridional dapat merepresentasikan 94% variabilitas tekanan udara permukaan dengan eigenvalue sebesar 7.27. Variasi komponen zonal tekanan udara permukaan yang dapat dijelaskan oleh PC-1 sebesar 90% dengan eigenvalue sebesar 16.7. Proporsi kumulatif yang dapat direpresentasikan oleh komponen meridional lebih tinggi dibandingkan komponen zonal. Rentang nilai eigenvector dari varisi tekanan udara permukaan berdasarkan komponen meridional berkisar 0.21-0.54, sedangkan berdasarkan komponen zonal berkisar 0.19-0.28. Rentang nilai eigenvector, komponen meridional memiliki variasi yang lebih besar dibandingkan dengan komponen zonal. Kondisi ini dapat disimpulkan bahwa variabilitas tekanan udara permukaan di Indonesia lebih dominan dipengaruhi oleh komponen meridional tekanan udara permukaan. Distribusi eigenvector dapat menjelaskan besarnya fluktuasi tekanan udara permukaan. Tekanan udara permukaan berdasarkan variasi komponen meridional menunjukkan fluktuasi yang besar di bagian selatan dibandingkan bagian utara Indonesia. Fluktuasi terbesar berada di Samudra Hindia (bagian selatan pulau Sumatra). Fluktuasi terbesar berdasarkan variasi komponen zonal terdapat di Indonesia timur (Gambar 9). Wilayah dengan fluktuasi tekanan udara yang besar dapat direpresentasikan sebagai daerah dengan kondisi cuaca yang buruk. Cuaca buruk di Samudra Hindia (bagian selatan Sumatra) dengan adanya angin dengan kecepatan tinggi, terjadinya peningkatan tinggi gelombang, dan banjir (Suryanto 2008). Wilayah di bagian timur Indonesia selama periode ini juga mengalami kondisi cuaca yang buruk yaitu terjadinya peningkatan tinggi gelombang laut. Gelombang tinggi di beberapa perairan Indonesia seperti Laut Sulawesi bagian timur, perairan kepulauan Sangihe Talaud, perairan utara Halmahera dan perairan utara Papua), Laut Jawa, Laut Flores, dan Laut Banda. (Kurniawan et al. 2012). Daerah dengan fluktuasi tekanan yang tinggi diduga terpengaruh oleh adanya angin monsoon barat. Selama periode ini angin bertiup dari Sumatra bagian selatan, Jawa, Bali, Nusa Tenggara, hingga Irian jaya (Prawirowardoyo 1996). Angin monsoon barat juga bertiup dari Asia tenggara, Laut Cina Selatan, kepulauan Filipina, Laut Filipina, laut Seram, laut Arafuru, hingga ke Australia. Selama kejadian monsoon barat, angin yang bertiup dari Belahan Bumi Utara (BBU). Angin monsu barat mengangkut banyak uap air laut. Deretan pegunungan memaksa angin dan uap air naik ke lapisan atas dan menyebabkan pengembunan uap, sehingga terjadi peningkatan curah hujan. Monsoon juga menimbulkan arusarus di kepulauan Indonesia yang disebut arus monsoon Indonesia yang mengalir dari Laut Cina Selatan, laut Natuna, Laut Jawa, Laut Flores, dan Laut Banda (Najid et al. 2012). Saat monsoon barat terjadi, sirkulasi arus permukaan di Selat Makassar menuju ke selatan dan membelok ke timur yang diteruskan ke Samudera Pasifik serta Laut Arafuru.
13
Gambar 8 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Desember berdasarkan komponen meridional
Gambar 9 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Pola dominan tekanan udara permukaan bulan Maret dapat direpsentasikan oleh komponen utama pertama (PC-1). PC-1 dari komponen zonal dapat mewakili 94% dari keragaman data dengan eigenvalue sebesar 5.02. Variasi komponen meridional tekanan udara permukaan yang dapat dijelaskan oleh PC-1 sebesar 92% dari keragaman data dengan eigenvalue sebesar 15.16. Variasi tekanan udara berdasarkan kompnen meridional memiliki rentang eigenvector yang lebih tinggi yaitu sekitar 0.30-0.53, sedangkan komponen zonal rentang eigenvector yang dimiliki sebesar 0.17-0.29. Berdasarkan proporsi kumulatif yang dapat diwakilkan dan rentang eigenvector yang dihasilkan dapat disimpulkan bahwa komponen meridional tekanan udara permukaan lebih dominan mempengaruhi variabilitas tekanan udara permukaan di Indonesia. Pola dominan tekanan udara permukaan berdasarkan Gambar 10, terlihat bahwa tekanan udara permukaan yang tergolong tinggi di wilayah Indonesia pada bulan Maret berada di Samudra Hindia (bagian selatan Indonesia) dan di bagian timur Indonesia. Pola tekanan udara permukaan pada bulan Maret hampir mirip dengan bulan Desember. Hal ini disebabkan oleh masih adanya mengaruh monsoon barat. Bulan Maret, April, dan, Mei (MAM) merupakan masa transisi dari monsoon barat ke monsoon timur yang disebabkan oleh perubahan posisi matahari terhadap bumi. Bulan MAM merupakan fase musim peralihan dari monsoon barat menjadi monsoon timur. Angin timuran berhembus dari Australia, Nusa Tenggara, Jawa hingga selatan Sumatra. Angin baratan juga berhembus dari Samudra Hindia diatas Sumatra hingga ke Kalimantan (Mulyana E 2002). Bulan MAM posisi matahari dari selatan mulai bergerak kearah utara. Pola dari cuaca
14 pada saat periode ini sudah tidak menentu. Kondisi ini dikenal dengan musim peralihan/ pancaroba I (Tjasyono 2007). Daerah dengan fluktuasi tekanan udara permukaan yang tinggi diindikasikan mengalami kondisi cuaca yang buruk seperti peningkatan ketinggian gelombang laut. Daerah rawan gelombang tinggi pada periode peralihan dari monsoon Asia ke monsoon Australia (Maret, April, Mei) berada di perairan perairan lepas pantai selatan Bengkulu, selatan Jawa ke timur hingga selatan Nusa Tenggara Barat, Laut Banda dan laut Arafuru (Kuriawan et al. 2012).
Gambar 10 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Maret berdasarkan komponen meridional
Gambar 11 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Maret berdasarkan komponen zonal Distribusi eigenvector berdasarkan Gambar 12 dan 13 menunjukkan pola dominan tekanan pada bulan Juni yang dapat dijelaskan oleh PC-1. PC-1 dari komponen meridional tekanan udara permukaan dapat mewakili 92% dinamika tekanan udara permukaan dengan eigenvalue sebesar 2.37. Sedangkan, komponen meridional tekanan udara permukaan dapat dijelaskan oleh PC-1 sebesar 89% dari dinamika tekanan udara permukaan dengan eigenvalue sebesar 3.17. Eigenvector dari komponen meridional berkisar 0.26-0.50, sedangkan pada komponen zonal berkisar 0.15-0.28. Komponen meridional tekanan udara permukaan lebih dominan dibandingkan komponen zonal. Hal ini dapat ditunjukkan oleh rentang eigenvector yang lebih besar serta proporsi kumulatif yang dapat dijelaskan oleh PC-1. Komponen meridional memiliki variasi tekanan udara lebih tinggi dibandingkan komponen zonal, sehingga dapat disimpulkan bahwa tekanan udara permukaan di Indonesia lebih dominan memiliki pola utara-selatan.
15 Berdasarkan distribusi eigenvector, fluktuasi tekanan udara permukaan terbesar berada pada bagian timur Indonesia. Kondisi ini disebabkan oleh adanya pengaruh angin monsoon timur. Posisi matahari yang berada di belahan bumi utara menyebabkan tekanan udara di wilayah di sekitar Australia lebih tinggi dibanding Asia Tenggara dan Laut Cina Selatan. Kondisi ini mengakibatkan perbedaan tekanan permukaan yang besar di sekitar wilayah Australia. Wilayah yang terkena dampak monsoon timur meliputi Australia dan Indonesia sekitar laut Jawa. Angin monsoon timur bergerak dari Australia ke Asia yang membawa sedikit uap air karena melewati gurun pasir di bagian utara Australia dan hanya melewati laut yang sempit. Angin ini membawa massa udara kering, sehingga hanya sedikit curah hujan yang di terima di wilayah Indonesia (Ahrens 2007). Fluktuasi tekanan udara permukaan pada bulan Juni menunjukkan nilai yang tinggi berada di Indonesia bagian timur. Fluktuasi tekanan udara permukaan ini diindikasikan dengan kondisi cuaca yang buruk. Saat periode monsoon timur, daerah kondisi cuaca yang buruk berada di perairan perairan Aceh, perairan Barat Sumatera ke timur hingga perairan Nusa Tenggara Timur bagian selatan, Laut Banda, Laut Arafuru dan sebagian Laut Jawa serta perairan kepulauan Sangihe Talaud dan perairan Halmahera. Kondisi cuaca yang buruk ditandai dengan tingginya gelombang laut di wilayah tersebut.
Gambar 12 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juni berdasarkan komponen meridional
Gambar 13 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juni berdasarkan komponen zonal Distribusi eigenvector berdasarkan Gambar 14 dan 15 menunjukkan pola dominan tekanan pada bulan September yang dapat dijelaskan oleh komponen utama pertama. Komponen utama (PC) dari komponen zonal dapat mewakili 95%
16 keragaman data dengan eigenvalue sebesar 4.24. Komponen utama pada komponen meridional tekanan udara permukaan yang dapat dijelaskan oleh PC-1 sebesar 92% dari keragaman data dengan eigenvalue sebesar 7.17. Rentang eigenvector pada variasi komponen meridional yaitu 0.27-0.49, sedangkan variasi pada komponen zonal berkisar 0.20-0.30. Berdasarkan proporsi kumulatif yang dapat direpresentasikan serta rentang eigenvector yang lebih besar, dapat disimpulkan bahwa komponen meridional tekanan udara permukaan lebih dominan mempengaruhi variabilitas tekanan udara permukaan di Indonesia. Proporsi kumulatif yang dapat direpresentasikan oleh komponen meridional lebih tinggi dibandingkan komponen zonal, sehingga dapat disimpulkan bahwa tekanan udara permukaan di Indonesia lebih dominan memiliki pola utara-selatan. Pola dominan tekanan udara permukaan terlihat bahwa tekanan udara mengalami fluktuasi yang besar berada di ekuator hingga ke selatan wilayah Indonesia. Kondisi ini disebabkan oleh energi matahari lebih terdistribusi di wilayah ekuator yang akan menyebabkan peningkatan suhu permukaan dan penurunan tekanan udara permukaan. Fluktuasi terbesar berada dibagian selatan Indonesia. Hal ini disebabkan oleh masih adanya pengaruh angin monsoon timur. Bulan SON (September, Oktober, dan November) merupakan periode peralihan dari monsoon timur menuju monsoon barat. Periode ini disebut musim peralihan/ pancaroba II. Bulan SON pola tekanan udara dan arah angin memiliki pola yang tidak menentu. Periode ini disebut musim peralihan/ pancaroba II (Tjasyono 2007). Saat periode transisi dari monson timur menuju monsoon barat, daerah yang dengan fluktuasi tekanan tertinggi mengalami peningkatan kecepatan angina serta dapat menimbulkan pertambahan ketinggian gelombang laut. Daerah yang mengalami kondisi cuaca yang buruk meliputi perairan Aceh, perairan Barat Sumatera, perairan selatan Jawa serta Laut Natuna dan perairan Sanggihe Talaud, perairan laut lepas utara Halmahera ke timur hingga perairan utara Teluk Cendrawasih (Kurniawan et al. 2012).
Gambar 14 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan September berdasarkan komponen meridional
17
Gambar 15 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan September berdasarkan komponen zonal Menurut Tjasyono (2007), monsoon menyebabkan variasi iklim musiman, Monsoon merupakan angin laut raksasa yang disebabkan oleh perbedaan pemanasan antara lautan dan daratan. Monsoon barat yang terjadi bulan DJF (Desember, Januari, dan Februari) yang disebabkan oleh akumulasi uap air di kontinen akibat bertepatan dengan musim panas. Kondisi ini mengakibatkan sering terjadi hujan yang lebat selama periode ini. Bulan JJA (Juni, Juli, dan Agustus) terjadi monsoon timur yang bertepatan dengan musim dingin di bagian selatan bumi. Pusat tekanan tinggi bergerak menuju Samudra yang menyebabkan terjadinya subsidensi, sehingga pertumbuhan awan konvektif terhalangi. Kondisi ini mengakibatkan wilayah Indonesia menerima sedikit curah hujan.
SIMPULAN DAN SARAN Simpulan Parameter tekanan udara dapat digunakan untuk mengetahui karakterikstik iklim suatu wilayah. Pola non musiman tekanan udara permukaan di Indonesia dapat dijelaskan oleh dua buah komponen utama (PC) dengan proporsi kumulatif sebesar 92%. Komponen utama pertama menjelaskan 87% dari total keragaman data, sedangkan PC-2 menjelaskan 5% dari total keragaman tekanan udara permukaan di Indonesia. Berdasarkan pola distribusi eigenvector, dapat dilihat bahwa bagian Indonesia timur dominan memiliki nilai yang lebih tinggi dibandingkan bagian barat Indonesia. Hal ini berarti kondisi tekanan di bagian timur Indonesia mengalami perbedaan nilai tekanan udara permukaan yang besar. Perbedaan nilai tekanan ini disebabkan oleh pengaruh sirkulasi meridional (sirkulasi Hadley). PC-2 dapat menjelaskan keadaan yang tidak dapat dijelaskan oleh PC-1. Distribusi eigenvector menunjukkan pola timur barat yang cukup jelas disebabkan oleh adanya sirkulasi Walker. Pola musiman tekanan udara permukaan dapat dijelaskan oleh komponen utama pertama dengan proporsi kumulatif yang melebihi 90%. Proporsi kumulatif yang dapat dijelaskan komponen meridional lebih besar dibandingkan komponen zonal, sehingga dapat disimpulkan bahwa tekanan udara permukaan di Indonesia lebih dominan berpola utara-selatan. Pola musiman ini dipengaruhi oleh fenomena
18 monsoon. Saat terjadi monsoon barat, fluktuasi tekanan tertinggi terjadi di Asia Tenggara dan Laut Cina Selatan. Saat terjadi monsoon timur, fluktuasi tekanan tertinggi terjadi di wilayah Australia. Tekanan udara permukaan menunjukkan pola yang tidak menentu saat peralihan dari muson barat ke muson timur, dan sebaliknya. Hal ini dipengaruhi oleh pergerakan posisi matahari yang mulai bergerak kearah ekuator, sehingga terjadi peralihan kondisi cuaca. Saran Penelitian mengenai pola dominan tekanan udara permukaan sebaiknya mengamati wilayah yang lebih luas serta penggunaan parameter iklim yang lain seperti arah dan kecepatan angin juga diperlukan, agar dapat melihat proses fisik yang terjadi dengan lebih jelas.
DAFTAR PUSTAKA Adrian E. 2008. Meteorologi Laut Indonesia. Jakarta (ID): Badan Meteorologi dan Geofisika. Ahrens D. 2007. Meteorology Today An Introduction To Weather, Climate, And The Enviroment. USA. Thompson Higher Education. Avia L Q. Hidayati R. Dampak peristiwa enso terhadap anomali curah hujan di wilayah Indonesia selama periode 1890-1989. Majalah Lapan 3 (2) Dee D P et al. 2011. The era-interim reanalysis: configuration and performance of the data assimilation system. Q. J. R. Meteorol. Soc (137) : 553 – 597. Golden Software. 2002. Surfer 8. User Guide. Golden Software Inc : Colorado Haan C T. 1967. Statistical Methods in Hydrology. Lowa (US): The Lowa State University Press. Hannachi A. 2004. A primer for EOF analysis of climate data. United Kingdom (GB). University of Reading. Kainama et al 2014. Analisis pola distribusi unsur-unsur cuaca di lapisan atas atmosfer pada bulan Januari dan agustus di Manado. Jurnal MIPA Unstrat Online (2): 20-24. Kurniawan R et al. 2012. Kajian daerah rawan gelombang tinggi di perairan Indonesia. Jurnal Meteorologi dan Geofisika 13(3): 201:212. Levina et al. 2011. Analisis pemilihan pos hujan untuk pemantauan kekeringan di wilayah sungai pemali comal. Jurnal teknik Hidraulik (2): 1-96. Makridakis et al. 1999. Metode dan Aplikasi Peramalan. Jakarta (ID): Erlangga. Monahan et al. 2009. Empirical orthogonal functions: The Medium is the Message. Journal of Climate 22: 6501-6513. Mulyana E. 2002. Analisis angin zonal di Indonesia selama periode ENSO. Jurnal Sains & Teknologi Modifikasi Cuaca 3(2): 115-120. Najid et al. 2012. Pola musiman dan antar tahunan salinitas permukaan laut di perairan utara Jawa-Madura. Maspari Journal 4(2): 168-177. Oort A, Yienger J. Observed interannual variability in the hadley circulation and its connection to ENSO. J. Climate (9): 2751–2767. Ramage C. 1971. Monsoon Meteorology. New york (US): Academic Press.
19 Rencher A C. 2001. Method of Multivariate Analysis. Second Edition. United States (US): A Wiley-Interscience Publication. Satriyani. 2007. Studi identifikasi pola utama data radiosonde melalui analisis komponen utama dan analisis spektrum (studi kasus Bandung). Skripsi. Bogor (ID). Institut Pertanian Bogor. Seto T. 2011. Distribusi temporal dan spasial tekanan udara terkait pertumbuhan awan di DAS Larona, Sulawesi Selatan. Jurnal Sains & Teknologi Modifikasi Cuaca 12(2): 55-61. Sofiati I. Karaktristik Outgoing Longwave Radiation (OLR) berdasarkan Emprirical Orthogonal Function (EOF) dan kaitannya dengan curah hujan di wilayah Indonesia. Jurnal Sains Dirgantara (10): 35-46 Suryanto A. Siklon tropis di selatan dan barat daya Indonesia dari pemantauan satelit TRMM dan kemungkinan kaitannya dengan gelombang tinggi dan putting beliung. Majalah Sains dan Teknologi Dirgantara 3(1):21-52 Stull R B. 2000. Meteorology For Scientist And Engineers. USA:Brooks/Cole. Tjasyono B, Zadrach L D. 1996. The Impact of El Nin//o on Season in Indonesian Monsoon Region. Proceeding of International workshop on the climate systemof monsoon Asia, Kyoto International Community House, Kyoto, Japan, p. 263-266. Tjasyono B. 2004. Klimatologi Umum. Bandung (ID): Penerbit ITB Tjasyono B. 2007. Variasi iklim musiman dan non musiman di Indonesia. Bandung (ID): Institut Teknologi Bandung. Webster P J. Fasullo J. 2003. Monsoon: dynamical theory.New York (US): Elsevier Wilks D. 2011. Statistical Methods In The Atmospheric Sciences 3rd Editions. New York (US): Elsevier
20 Lampiran 1
Waktu
Bentuk data tekanan udara permukaan untuk pengamatan pola tekanan udara permukaan di Indonesia Titik pengamatan 6 LU 3 LU 0 12 LS 93 96 99 141 93 BT- 93 BT93 BTBT BT BT BT 141 BT 141 BT 141 BT
Jan 84 Feb 84 Des 14 Lampiran 2 Bentuk data tekanan udara permukaan yang diorganisir berdasarkan posisi bujur untuk pengamatan pola musiman tekanan udara permukaan di Indonesia Titik pengamatan 93 BT 96 BT 99 BT 141 BT Waktu 6 3 0 3 6 12 6 LU- 6 LU- 6 LU- 6 LU-11 LU LU LS LS LS 11 LS 11 LS 11 LS LS bulan ke-i 1984 bulan ke-i 1984 bulan ke-i 2015 Lampiran 3 Bentuk data tekanan udara permukaan yang diorganisir berdasarkan posisi lintang untuk pengamatan pola musiman tekanan udara
Waktu
93 BT
96 BT
6 LU 99 BT
Titik pengamatan 3 0 141 93 BT- 93 BTBT 141 BT 141 BT
bulan ke-i 1984 bulan ke-i 1985 bulan ke-i 2015 Keterangan diisi dengan data tekanan udara permukaan.
12 93 BT141 BT
21 Lampiran 4 Nilai komponen utama pertama dari tekanan udara permukaan bulanan berdasarkan variasi komponen meridional Parameter Jan Feb Mar Apr Mei Jun Eigenvalue 6.43 8.61 5.03 2.54 2.25 2.37 Proporsi 0.94 0.96 0.94 0.92 0.89 0.92 Parameter nilai eigen Proporsi
Jul 2.43 0.89
Agu 2.49 0.9
Sep 4.24 0.95
Okt 4.77 0.94
Nov 4.54 0.93
Des 7.27 0.94
Lampiran 5 Nilai komponen utama pertama dari tekanan udara permukaan bulanan berdasarkan komponen zonal Parameter Jan Feb Mar Apr Mei Jun Eigenvalue 16.5 25.5 15.2 7.82 4.33 5.15 Proporsi 0.88 0.91 0.92 0.88 0.89 0.89 Parameter nilai eigen Proporsi
Jul 3.17 0.85
Agu 4.33 0.86
Sep 7.17 0.92
Oct 8.66 0.9
Nov 8.28 0.84
Dec 16.7 0.9
Lampiran 6 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Januari berdasarkan komponen meridional
Lampiran 7 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Januari berdasarkan komponen zonal
22 Lampiran 8 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Februari berdasarkan komponen zonal
Lampiran 9 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Februari berdasarkan komponen zonal
Lampiran 10 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan April berdasarkan komponen meridional
23 Lampiran 11 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan April berdasarkan komponen zonal
Lampiran 12 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Mei berdasarkan variasi komponen meridional.
Lampiran 13 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Mei berdasarkan komponen zonal
24 Lampiran 14 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juli berdasarkan komponen meridional
Lampiran 15 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Juli berdasarkan komponen zonal
Lampiran 16 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Agustus berdasarkan variasi komponen meridional
25 Lampiran 17 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Agustus berdasarkan komponen zonal
Lampiran 18 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Oktober berdasarkan komponen meridional
Lampiran 19 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan Oktober berdasarkan komponen zonal
26 Lampiran 20 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan November berdasarkan komponen meridional.
Lampiran 21 Distribusi eigenvector dari PC-1 tekanan udara permukaan bulan November berdasarkan komponen zonal
27
RIWAYAT HIDUP Penulis bernama Sastra Amdinata Putri lahir di Padang pada tanggal 2 Agustus 1993 yang merupakan anak dari Bapak Amrizal dan Ibu Arnita. Penulis merupakan anak ke dua dari enam bersaudara. Penulis menyelesaikan masa sekolah di SMA N 2 Padang pada tahun 2011 dan pada tahun yang sama masuk ke Institut Pertanian Bogor melalui jalur SNMPTN Undangan. Jurusan yang dipilih yaitu Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif di lembaga kampus yaitu Himpunan Mahasiswa Agrometeorologi (HIMAGRETO), Himpunan Mahasiswa Padang (HIMAPD), serta UKM AIESEC IPB. Penulis juga pernah mengikuti Program Kreativitas Mahasiswa (PKM) Karsa Cipta tahun 2014 dan PKM Pengabdian Masyarakat tahun 2015. Penulis pernah magang di Badan Lingkungan Hidup (BLH) Jawa Tengah. Penulis melakukan penelitian tahun 2015 sebagai syarat untuk lulus dari IPB di Laboratorium Meteorologi dan Pencemaran Atmosfer yang di pimpin oleh Prof Dr Ir Ahmad Bey.
