Laporan Project Meteorologi Satelit 2017.

1. Laporan Project
MK. Meteorologi Satelit
ESTIMASI CURAH HUJAN MENGGUNAKAN CITRA LANDSAT 8 DI
PROVINSI DKI JAKARTA
Azmi Hafizha Rahman1*
, Melda Hazrina2
, Idung Risdiyanto3
G241500121
, G241400232
123
Departemen Geofisika dan Meteorologi
Gedung FMIPA, Jl. Meranti Wing 19 Lv. 4 Kampus IPB Dramaga Bogor 16680
*
Email: azmihafizhr@gmail.com
ABSTRAK
Curah hujan merupakan salah satu bentuk presipitasi yang berupa titik-titik air. Pendugaan curah hujan
sangat penting bagi masyarakat. Data curah hujan yang tersedia di Indonesia masih sulit dan terbatas sehingga
metode penginderaan jauh dibutuhkan untuk memperoleh data curah hujan tersebut. Proyek ini menerapkan
interpretasi digital serta permodelan regresi dalam menduga curah hujan pada wilayah DKI Jakarta. Data diperoleh
dari citra satelit Landsat 8 OLI/TIRS. Data input yakni spectral radiance dari band true color 4-3-2 dan band
infrared termal 10 dan 11. Interpretasi awan menggunakan band true color 4-3-2 untuk mengidentifikasi kelas
awan dan kelas non awan melalui klasifikasi tak terbimbing (unsupervised) serta band true color tersebut
digunakan untuk menduga nilai albedo pada awan. Band infrared digunakan untuk menduga nilai suhu permukaan
awan. Setelah nilai suhu permukaan dan albedo didapatkan, dilakukan permodelan regresi untuk menduga nilai
curah hujan yang turun pada awan-awan tersebut. Pendugaan curah hujan ini dapat dimanfaatkan dalam bidang
hidrometeorologi seperti peringatan dini terhadap kemungkinan bencana hidrometeorologi, meteorologi
pembangunan, dan dalam bidang pertanian.
Kata kunci : albedo awan, estimasi curah hujan, klasifikasi tak terbimbing, suhu permukaan
PENDAHULUAN
1.1 Tinjauan Pustaka
Sistem iklim adalah sistem yang
membentuk iklim dan terjadi proses dan saling
mempengaruhi yang terdiri dari lima komponen
utama, yaitu Atmosfer, Hidrosfer, Kriosfer,
permukaan tanah (pedosfer), biosfer. Hujan
merupakan salah satu bentuk presipitasi yang
berupa titik-titik air. Salah satu data iklim yang
diukur atau diamati dari peristiwa hujan adalah
curah hujan. Model iklim adalah
penyederhanaan suatu sistem iklim atau suatu
peristiwa yang terjadi. Menurut Murdiyarso
(2003), model iklim adalah suatu proses
penyederhanaan parameter iklim yang
bertujuan untuk menampilkan suatu informasi
peristiwa iklim. Contohnya pada proyek ini,
kita ingin menduga curah hujan menggunakan
citra satelit, faktor-faktor yang kita masukkan
olahan dari citra satelit tersebut, seperti suhu
permukaan dan albedo awan. Model yang kita
lakukan dalam proyek ini ialah model empiris
yang menggunakan regresi sebagai analisisnya.
Analisis regresi merupakan kajian
terhadap hubungan variabel dengan variabel
lainnya. Gujarati (2006) dalam Nurfitriani
(2012) menambahkan bahwa variabel tersebut
adalah variabel yang diterangkan (the explained
variabel) dengan satu atau dua variabel yang
menerangkan (the explanatory). Analisis
regresi dibagi menjadi 2 yaitu ; analisis regresi
linear sederhana; jika variabel bebas
(independent;predictor;x) hanya satu dan
analisis regresi linear berganda; jika lebih dari
satu (Sudjana 2005). Gujarati (1995) dalam
Nurfitriani (2012) memberikan kriteria untuk
model empiris yang baik, seperti bersifat
sederhana, koheren dengan data, parameter
yang diestimasi harus konstan (deterministik),
memiliki adminisibilitas dengan data, dan
mampu mengungguli model pesaingnya.
1.2 Tujuan
Proyek ini bertujuan mengetahui nilai
suhu permukaan dan albedo awan, serta
menduga curah hujan pada wilayah DKI
Jakarta.

2. Estimasi curah hujan menggunakan citra Landsat 8 di Provinsi DKI Jakarta
METODOLOGI PENELITIAN
2.1 Lokasi Kajian
DKI Jakarta merupakan ibukota Negara
Kesatuan Republik Indonesia (NKRI) yang
berada pada path 122 dan row 64. Secara
geografis, Provinsi DKI Jakarta terletak pada 5°
19' 12"- 6° 23' 54" LS dan 106° 22' 42"- 106°
58' 18" BT. Luas wilayah Provinsi DKI Jakarta,
berdasarkan SK Gubernur Nomor 171 tahun
2007, adalah berupa daratan seluas 662,33 km2
dan berupa lautan seluas 6.977,5 km2
. Wilayah
DKI memiliki tidak kurang dari 110 buah pulau
yang tersebar di Kepulauan Seribu, dan sekitar
27 buah sungai/saluran/kanal yang digunakan
sebagai sumber air minum, usaha perikanan dan
usaha perkotaan (BPS Provinsi DKI Jakarta
2016).
Wilayah kajian meliputi wilayah
daratan Provinsi DKI Jakarta yakni Kota Jakarta
Utara, Kota Jakarta Pusat, Kota Jakarta Barat,
Kota Jakarta Timur, dan Kota Jakarta Selatan
tanpa mengikut sertakan Kabupaten Kepulauan
Seribu karena luasan Kepulauan Seribu yang
terlalu kecil sehingga sulit untuk
diintepretasikan ketika luasan awan lebih besar
daripada luasan pulau tersebut. Lokasi kajian
dipilih berdasarkan data penelitian BMKG dan
Direktur Eksekutif Wahana Lingkungan Hidup
Indonesia dalam penelitian Kristanto et al.
(2017) menyatakan bahwa wilayah DKI Jakarta
merupakan zona konvektif di pesisir barat daya
Laut Jawa yang berpotensi sebagai tempat
pertumbuhan awan.
2.2 Alat dan Bahan
Alat yang digunakan dalam penelitian
ini adalah seperangkat komputer yang telah
terpasang Microsoft Office 2016, ArcGIS 10.3
dan ERDAS IMAGINE 2014. Bahan penelitian
yang digunakan adalah data citra satelit
Landsat-8 yang mewakili bulan basah tahun
2017 serta peta RBI Administrasi DKI Jakarta
sebagai dasar membuat peta tematik.
2.3 Tahap penelitian
Proyek penelitian ini dilakukan dengan
tiga tahapan, yaitu input, analisis, dan output.
Tahap input meliputi proses memasukkan data
citra satelit Landsat-8 dan peta RBI DKI
kedalam software ArcGIS. Tahap analisis
meliputi empat tahapan yakni digital image
processing, menghitung suhu kecerahan dan
permukaan awan, menghitung albedo awan dan
menduga curah hujan dengan nilai regresi
antara suhu permukaan awan dan albedo awan.
Tahap output adalah penyatuan data spasial dan
layouting peta.
2.2.1 Digital Image Processing
Digital Image Processing merupakan
proses pengolahan gambar dengan berbagai
macam fungsi seperti koreksi geometrik,
koreksi radiometrik (Danoedoro 1996),
penajaman gambar, pendeteksian objek pada
gambar, masking dan lainnya (Kristanto et al.
2017). Koreksi geometrik dilakukan karena
terjadi penyimpangan antara citra dengan
objeknya. Menurut Wiweka (2014), koreksi ini
mencangkup perujukan titik-titik tertentu pada
citra ke titik-titik yang sama pada medan
maupun peta. Danoedoro (1996) menambahkan
bahwa koreksi ini menggunakan penerapan
rumus polinomial dari sistem koordinat
geografis ke koordinat citra, yang ditentukan
menggunakan titik kontrol tanah (ground
control point) dengan bantuan perangkat lunak
Erdas Imagine 2014.
Koreksi radiometrik dilakukan untuk
mengonversi nilai digital number menjadi nilai
spectral radiance. Menurut Buana (2012)
koreksi radiometrik diperlukan untuk
memperbaiki kualitas citra dan juga
memperbaiki nilai-nilai piksel yang tidak sesuai
dengan nilai pantulan atau pancaran spektral
obyek yang sebenarnya. Proses konversi ini
menggunakan persamaan (Purwadhi 2001):
𝐿 𝜆 = 𝑀𝐿 × 𝑄𝑐𝑎𝑙 + 𝐴 𝐿 ................................ (1)
Dimana :
Lλ = nilai spectral radiance puncak atmosfer
(Watts m-2
srad-1
μm-1
)
.................................(1)

3. Estimasi curah hujan menggunakan citra Landsat 8 di Provinsi DKI Jakarta
ML = Band specific multiplicative rescaling
factor from the metadata
(RADIANCE_MULT_BAND_x) x:band
number
Qcal= Quantized and calibrated standard
product pixel values (Digital Number)
AL=Band specific add
(RADIANCE_ADD_BAND_x)
2.2.2 Suhu kecerahan, suhu permukaan dan
albedo awan
Suhu kecerahan merupakan suhu
radiasi gelombang elektromagnetik yang
ditangkap oleh sensor termal. Suhu permukaan
merupakan suhu terluar pada lapisan
permukaan suatu obyek. Obyek dalam
penelitian ini adalah awan. Suatu obyek
mempunyai suhu permukaan yang berbeda-
beda tergantung dari nilai emisivitas, kapasitas
panas jenis dan konduktivitas termal dalam
menyerap panas (Lillesand dan Kiefer 1997).
Setelah mendapatkan nilai radiansi, nilai
radiansi tersebut diolah untuk mendapatkan
nilai suhu kecerahan obyek awan dengan
persamaan (Sobrino et al. 2003):
𝑇𝑏 =
𝐾2
ln(
𝐾1
𝐿𝜆
+1)
Dimana:
Tb = suhu kecerahan obyek awan (K)
Lλ = nilai spectral radiance puncak atmosfer
(Watts m-2
srad-1
μm-1
)
K2 = konstanta konversi spesifik kanal termal
10 dan 11 landsat 8
(K2_CONSTANT_BAND_X)
K1 = konstanta konversi spesifik kanal termal
10 dan 11 landsat 8
(K1_CONSTANT_BAND_X)
Kemudian, setelah mendapatkan nilai Tb
dilakukan pengolahan untuk mendapatkan nilai
suhu permukaan obyek awan (Wiweka 2014):
𝑇𝑠 =
Tb
1+(w∗(
Tb
𝑝
)∗ln⁡( 𝑒)
Dimana:
Ts = suhu permukaan obyek awan (K)
Tb= suhu kecerahan obyek awan (K)
w = panjang gelombang yang ditransmisikan
(11,5 μm)
p = hc/s (14380 K)
h = Konstanta plank (6,26 x 10-34
Js)
c = Kecepatan cahaya (2,998 x 108
S-1
)
s = Konstanta Stefan-Boltzman (1,38 x 10-23
JK-
1
)
e = emisivitas awan (0,988)
sedangkan untuk persamaan albedo awan
sebagai berikut (Wiweka 2014):
α =
π ∗ ⁡𝐿𝜆 ∗ 𝑑²⁡
𝜋 ∗ 𝑑2 ∗
𝐿𝑚𝑎𝑥𝑖
𝑅𝑒𝑓𝑚𝑎𝑥𝑖
∗ cos[(90 − SE) ∗
2π
360)⁡
α =
𝐿𝜆 ∗ 𝑅𝑒𝑓𝑚𝑎𝑥𝑖⁡
𝐿𝑚𝑎𝑥𝑖 ∗ cos[(90 − SE) ∗
2π
360)⁡
Dimana :
L𝜆 = nilai spectral radiance puncak atmosfer
(Watts m-2
srad-1
μm-1
)
π = Phi (3,14)
d = Jarak bumi dan matahari ( metadata :
EARTH_SUN_DISTANCE)
SE = Sudut elevasi matahari (Metadata:
SUN_ELEVATION)
Refmaxi = Reflectance maximum band 4, 3 dan
2 landsat 8 (Metadata :
REFLECTANCE_MAXIMUM_B
AND_x)
Lmaxi = nilai radiance maximum band ke- 4,3,
dan 2
2.2.3 Estimasi curah hujan
Estimasi curah hujan dilakukan dengan
menggunakan metode statistik regresi linear
berganda. Metode ini membuat model
sederhana curah hujan rata-rata harian (mm)
dengan suhu permukaan (K) dan albedo awan.
...........................................(2)
................................(3)
.................................................................... (4)
................................................................. (5)

4. Estimasi curah hujan menggunakan citra Landsat 8 di Provinsi DKI Jakarta
Gambar 1 diagram alir estimasi curah hujan menggunakan Landsat 8
Metode statistik regresi linear berganda dalam
penelitian ini mengikuti penelitian Buana
(2012) dimana diperoleh persamaan:
𝑌 = 𝑎0 +⁡ 𝑏1 𝑥1 + 𝑏2 𝑥2 + 𝜀
𝑌 = 0,0019763681091528 −
⁡0,0840775804570027 ∗ 𝑥1 ⁡+
94,5323321935923 ∗ 𝑥2
Dimana :
Y = curah hujan rerata harian (mm)
a0 = konstanta atau intersep
b1 dan b2 = koefisien regresi
x1 = nilai suhu permukaan rerata (K)
x2 = nilai albedo awan rerata
ε = galat error
Tingkat akurasi antara nilai curah hujan
dugaan dengan curah hujan observasi yang
dilakukan Buana (2012) di daerah penelitian
Jawa Tengah antara 48% hingga 76% dengan
rata-rata akurasi sebesar 67%. Hasil rata-rata
tersebut cukup baik untuk dipakai dalam
penelitian ini dikarenakan akurasinya diatas
60%.
......................(6)
....(7)
Layouting peta
estimasi curah
hujan
Membuat model builder, masukkan persamaan regresi ke
dalam raster calculator
Menghitung suhu
kecerahan band 10 dan 11,
dan rata-ratanya
Menghitung suhu
permukaan dari nilai rata-
rata suhu kecerahan dan
emisivitas
Peta RBI DKI Jakarta
Koreksi radiometrik Koreksi geometrik
Koreksi spectral radiance
Unsupervised
classification dengan
band 4-3-2
Layer awan
Layer non awan
Menghitung albedo awan
Data Citra Landsat-
8

5. Estimasi curah hujan menggunakan citra Landsat 8 di Provinsi DKI Jakarta
HASIL DAN PEMBAHASAN
Hasil yang didapatkan dari proyek ini
berupa peta dan histogram estimasi curah hujan.
Nilai estimasi curah hujan diperoleh
mengguakan metode regresi linear berganda
yang disajikan dalam peta berbentuk layer awan
dan non awan. Gradasi warna yang terdapat di
layer awan mengindikasikan besaran curah
hujan yang terjadi. Semakin gelap warnanya
maka semakin rendah curah hujannya,
sebaliknya semakin terang warnanya maka
semakin tinggi curah hujannya. Peta estimasi
tersebut dapat digunakan untuk
menggambarkan seberapa besar curah hujan
pada wilayah yang terdapat awan-awan
tersebut.
Gambar 3 histogram estimasi curah hujan rerata
21 Januari 2017 wilayah DKI Jakarta
Sebaran awan berpotensi hujan pada
gambar 2 tidak merata pada wilayah DKI
Jakarta. Sebaran awan tesebut paling banyak
berada pada bagian Jakarta Pusat menuju ke
utara dan Jakarta Utara bagian tengah. Hal ini
seperti yang dijelaskan dalam penelitian
Kristanto et al. (2017) bahwa wilayah DKI
Jakarta merupakan zona konvektif di pesisir
barat daya Laut Jawa yang berpotensi sebagai
tempat pertumbuhan awan. Menurut BPS
Provinsi DKI Jakarta (2016) curah hujan rerata
harian tertinggi pada bulan Februari yaitu
sebesar 639 mm dan terendah di bulan Juli 1
mm. Pendugaan curah hujan rerata harian
(gambar 2 dan 3) pada tanggal 24 Januari 2017
sebesar 3,59 mm hingga 87mm dengan rata-rata
33 mm dan standar deviasinya sebesar 12,81.
Gambar 3 menunjukan pola histogram yang
menjulur ke kanan yang mana sebaran data
banyak terdapat pada data yang lebih kecil dari
nilai tengahnya (median) sehingga nilai rata-
rata (mean) data akan lebih besar dibandingkan
mediannya (Walpole 1993).
Nilai suhu kecerahan awan rerata
sebesar 144,704 K, sedangkan nilai suhu
permukaan awan rerata sebesar 144,907K. Nilai
albedo awan rerata sebesar 0,166808 hingga
0,8049. Histogram pada albedo awan
menunjukkan pola yang cenderung menjulur ke
kanan yang berarti data banyak terdapat pada
data dengan albedo kecil. Hal ini seperti
dijelaskan pada penelitian Buana (2012),
Widodo (1998), dan Wiweka (2014) bahwa
awan yang berwarna cerah memiliki albedo
yang lebih besar daripada awan yang berwarna
gelap. Pola histogram pada albedo awan sesuai
dengan pola histogram pada pendugaan curah
hujan yang mana curah hujan hujan dengan
intensitas diatas 50 mm lebih sedikit sebarannya
dibandingkan dengan curah hujan dengan
intensitas dibawah 50 mm. Proyek ini memakai
korelasi antara curah hujan suhu permukaan
rerata awan dan albedo awan yang dilakukan
oleh Buana (2012) yang menghasilkan korelasi
diatas 60%.
Gambar 2 peta estimasi curah hujan rerata 21
Januari 2017 wilayah DKI Jakarta

6. Estimasi curah hujan menggunakan citra Landsat 8 di Provinsi DKI Jakarta
KESIMPULAN
Pendugaan curah hujan dapat diketahui
dengan permodelan regresi linear berganda
yang menggunakan variabel bebas dari nilai
suhu permukaan dan albedo rerata awan. Band
true color 4-3-2 pada Landsat-8 dapat
mengklasifikasikan awan dan bukan awan serta
menduga nilai albedo pada awan tersebut. Band
infrared termal 10 dan 11 pada Landsat-8 dapat
menduga nilai suhu permukaan awan tersebut.
Pendugaan curah hujan DKI Jakarta
menghasilkan sebaran awan yang tidak merata
pada wilayah DKI Jakarta dengan intensitas
curah hujan sebesar 3,59mm hingga 87mm
dengan rata-rata sebesar 33mm.
DAFTAR PUSTAKA
[BPS] Badan Pusat Statistik Provinsi DKI Jakarta.
DKI Jakarta dalam angka 2016. Jakarta (ID):
Badan Pusat Statistik.
Buana FI. 2012. Estimasi curah hujan menggunakan
citra modis di Sebagian Daerah Jawa Tengah.
Jurnal Bumi Indonesia. 2(3):81-91.
Danoedoro P. 1996. Pengolahan Citra Digital.
Yogyakarta : Fakultas Geografi Universitas
Gadjah Mada.
Kristanto Y, Agustin T, Muhammad FR. 2017.
Pendugaan karakteristik awan berdasarkan data
spektral citra satelit resolusi spasial menengah
Landsat 8 OLI/TIRS (Studi kasus: Provinsi
DKI Jakarta). Di dalam : Septiadi D et al.,
editor. Understanding Weather and Climate for
Sustainibility;2013 Mar 23; Jakarta, Indonesia.
Jakarta (ID): STMKG. Hlm 389-399.
Lillesand RW, Kiefer TM. 1997. Penginderaan Jauh
dan Interpretasi Citra. Yogyakarta(ID) :
Gadjah Mada University Press.
Murdiyarso D. 2003. Sepuluh Tahun Perjalanan
Negoisasi Konversi Perubahan Iklim. Jakarta
(ID) : Kompas Media Nusantara.
Nurfitriani L. 2012. Analisis kinerja fiskal dan
faktor-faktor yang mempengaruhi ketahanan
pangan di Provinsi Nusa Tenggara Timur
[skripsi]. Bogor(ID): Institut Pertanian Bogor.
Purwadhi SH. 2001. Intepretasi Citra Digital.
Jakarta (ID): Grasindo.
Sobrino JA, Kharraz E, Li ZL. 2003. Surface
temperature and water vapour retrieval from
Modis data. International Journal Remote
Sensing. 24 : 5161-5182.
Sudjana. 2005. Metode Statistika. Bandung (ID):
Tarsito.
Walpole. 1993. Pengantar Statistika Edisi ke-3.
Jakarta(ID): Gramedia Pustaka Umum.
Widodo. 1998. Pemanfaatan Data Satelit Cuaca
GMS untuk Estimasi Curah Hujan di
Kabupaten Bandung. Yogyakarta : Fakultas
Geografi Universitas Gadjah Mada.
Wiweka. 2014. Pola suhu permukaan dan udara
menggunakan citra satelit Landsat
multitemporal. Ecolab. 8(1): 1-52.