Perubahan Iklim Di NTT

KERAGAMAN DAN
PERUBAHAN IKLIM DI NUSA

TENGGARA TIMUR
ANALISIS KONDISI IKLIM HISTORIS DAN PROYEKSI
PERUBAHAN IKLIM DI KABUPATEN MANGGARAI, SABU
RAIJUA DAN SUMBA TIMUR
Kementrian Lingkungan Hidup dan Kehutanan

Pemerintah Daerah Propinsi Nusa Tenggara Timur
Climate Risk and Opportunity Management Southeast Pacific, Institut Pertanian Bogor
United Nation Development Program
2015
Direktur Jenderal Pengendalian Perubahan Iklim CCROM SEAP Institut Pertanian Bogor
Gedung Manggala Wanabhakti Blok Wing A, Lantai 4 Gedung Fisik dan Botani Lantai 2
Jalan Gatot Subroto Kampus IPB Baranangsiang
Senayan, Jakarta Pusat Jalan Padjajaran no 1 16143
Telp/ Fax Telp/ Fax: +62 251 8313709/ +62 251 8310779
adaptation.moe.id@gmail.com/ adaptasi.menlh.go.id ccromseap.ipb.ac.id
Keragaman dan Perubahan Iklim di Nusa Tenggara
Timur
Analisis Kondisi Iklim Historis dan Proyeksi Perubahan Iklim di Kabupaten
Manggarai, Sabu Raijua dan Sumba Timur
Pengarah:
Arief Yuwono (Deputi Bidang Pengendalian Kerusakan Lingkungan dan Perubahan
Iklim, KLHK)
Penanggung Jawab:
Sri Tantri Arundhati (Asisten Deputi Adaptasi Perubahan, KLHK)
Wayan Darmawa (Kepada Badan Perencanaan Pembangunan Daerah Propinsi NTT)
Penulis Utama:
Akhmad Faqih
Syamsu Dwi Jadmiko, SSi.
Apolinaris S. Geru, Sp. MSi.
Editor:
Tri Widayati
Arif Wibowo
Verania Andria
i
EXECUTIVE SUMMARY
A study on the scientific basis of climate variability and change in Nusa Tenggara Timur
(NTT) Province has been conducted. This study aimed to provide detailed analysis on
historical climatic conditions and future climate change projections in the region with
extra analysis focusing on three selected districts, i.e. Manggarai, Sabu Raijua and Sumba
Timur Districts. It is emphasized at local level and supported by both dynamical and
statistical downscaling approaches of global climate model outputs (GCMs) for climate
change projection studies. For historical data, this study combined observation record
from climate stations and gridded global datasets.
Generally, historical data analysis showed that the climate variability over NTT is
strongly affected by El Nino-Southern Oscillation (ENSO). Dominant rainfall deviations
due to ENSO are found in dry season and transition periods, i.e. around May to October.
Thus, the ENSO event especially El Nino gives a large influence to the decrease of
rainfall, causing drought in the region. The rainfall in the region indicated strong decadal
trends as shown by the analysis of long term data during the last 100 years. Decreasing
trends almost found over the whole NTT during 1941-1970 periods, while during the last
few decades (1971-2000 and 1981-2010 periods) trends were found increasing, especially
in most parts of Timor Island and some parts of Sumba Island. In contrast, decreasing
trends of rainfall were found in Flores Island during 1971-2000 periods. Considering the
fact of increasing temperature in the last few decades at global scale, there were
consistencies found at the local region, where the analysis using temperature records
from eight stations in NTT showed increasing trends of mean temperatures.
From historical data, NTT often experience extreme climate events related to drought that
mostly occur during wet seasons, such as season break and dry spell. For example, a long
dry spell occurred during the rainy season in 2013/2014, especially during January to
February 2014 over some areas, such as Malaka, Timor Tenah Selatan, Lembata, Flores
Timur, Sikka, Ende, Nagekeo, Manggarai Timur, and Sumba Timur. The long dry spells
has triggered drought condition causing crop failures in the regions. In contrast, NTT also
often experience extreme rainfall causing floods that could affect many socio-economic
activities, such as over Manggarai and some areas in Sumba Island.
More detailed analyses have been done in this study, especially for the three selected
districts. Historical climate data showed some results related to climate variability,
extremes and climate change conditions in those regions. In Waingapu District, there
were increasing trends found in the mean, maximum and minimum temperatures as well
as in the monthly and seasonal rainfall. Both dry and wet season onsets have shown
decreasing trends, indicating the shift of seasons, where earlier dry and wet season onsets
tend to occur. It was found that the trends for the length of wet seasons increased while
for the length of dry seasons decreased. For the extreme events, the upward trends were
ii
found in the frequency of temperature above 35 ◦C and the frequency of daily rainfall
above 50 mm as well as in the frequency of daily wind speed above 45 km/hour.
In Manggarai District, downward trends were found in the mean and minimum
temperatures, while the maximum temperature showed vice versa. Monthly and seasonal
rainfall in wet season showed increasing trends. This was in contrast with seasonal
rainfall in dry season that showed a downward trend. The rainy season onsets tend to
come earlier as shown by the decreasing trend of its data, meanwhile the dry season
onsets tend to come later than normal. Consequently, the trends for the length of wet
seasons increased and the length of dry seasons decreased. The frequency of extreme
rainfall with daily rainfall above 50 mm showed an upward trend. Meanwhile, for both
maximum temperatures above 35 ◦C and maximum wind speed above 45 km/hour, their
trends tend to decrease.
In Sabu Raijua District, there were agreement in temperatures (mean, maximum and
minimum temperatures) tendency, showing the signs of upward trends. These upward
trends were similarly found in monthly and seasonal rainfall (wet and dry seasons). In
this region, the inclination of earlier wet season onsets were strongly indicated by
downward trends of the data. This is unlikely found in the dry season onsets where their
trend showed an upward trend. For the extreme events, the upward trend was found in the
frequency of temperature above 35 ◦C. This was contrarily found for the frequency of
daily wind speed above 45 km/hour that showed a decreasing trend. For the frequency of
daily rainfall above 50 mm, there seemed to be no change in the trend of its historical
data.
Beside the analysis of historical climate, this study also performed analysis for the future
climate change projections. Projected climate change in the future showed increased
mean air temperature in NTT in general and in the selected three districts in particular. In
general, the differences in the increase of mean air temperature across future climate
change scenarios (different RCP scenarios) were relatively small for the period 2011-
2040. The differences between scenarios can be clearly seen after that period, i.e. during
2041-2070 and 2071-2100 periods. Mean temperature based on RCP8.5 scenarios
showed the highest increase reaching up to more than 3◦C during 2071-2100 periods. For
rainfall projections, changes in the climatological mean of rainfall in the three selected
districts were projected to be mostly negative, indicating drier conditions in the future. A
significant decline in rainfall is generally projected to occur in August, while the increase
in rainfall is projected to occur in the transition periods, particularly in March and April.
iii
DAFTAR ISI
DAFTAR ISI ................................................................................................................................. IV

DAFTAR GAMBAR .................................................................................................................... VI
DAFTAR TABEL...................................................................................................................... XIII
DAFTAR LAMPIRAN ............................................................................................................. XIII
1 PENDAHULUAN .................................................................................................................... 1
1.1 Latar Belakang .................................................................................................................... 1
1.2 Ruang Lingkup dan Tujuan ................................................................................................. 2
2 METODOLOGI ....................................................................................................................... 4
2.1 Data ..................................................................................................................................... 4
2.1.1 Data Observasi Stasiun ............................................................................................. 4
2.1.2 Data Iklim Global...................................................................................................... 5
2.1.3 Data Re-Analysis ...................................................................................................... 5
2.1.4 Data Hasil Model Iklim............................................................................................. 6
2.2 Metode ................................................................................................................................. 6
2.2.1 Simulasi Model Iklim Regional ................................................................................ 6
2.2.2 Rekonstruksi Data Curah Hujan Bulanan dari Data Global ..................................... 9
2.2.3 Analisis Keragaman dan Perubahan Iklim .............................................................. 13
2.2.4 Iklim Ekstrim dan Penentuan Ambang Batas ......................................................... 16
3 KONDISI IKLIM HISTORIS .............................................................................................. 19
3.1 Iklim Historis di NTT ........................................................................................................ 19
3.1.1 Kondisi Klimatologi ................................................................................................ 19
3.1.2 Keragaman Iklim dan Pengaruh El Nino-Southern Oscillation (ENSO) ................ 23
3.1.3 Perubahan Iklim ...................................................................................................... 26
3.1.4 Kejadian Iklim Ekstrim ........................................................................................... 28
3.2 Iklim Historis di Kabupaten Manggarai ............................................................................ 33
3.2.2 Keragaman Iklim..................................................................................................... 34
3.2.3 Perubahan Iklim ...................................................................................................... 35
3.3 Iklim Historis di Kabupaten Sabu Raijua .......................................................................... 42
3.3.2 Keragaman Iklim..................................................................................................... 43
3.3.3 Perubahan Iklim ...................................................................................................... 44
3.4 Iklim Historis di Kabupaten Sumba Timur ....................................................................... 51
iv
3.4.2 Keragaman Iklim..................................................................................................... 53
3.4.3 Perubahan Iklim ...................................................................................................... 54
4 PROYEKSI PERUBAHAN IKLIM..................................................................................... 61
4.1 Proyeksi Perubahan Iklim di NTT..................................................................................... 61
4.1.1 Proyeksi Suhu ......................................................................................................... 61
4.1.2 Proyeksi Curah Hujan ............................................................................................. 62
4.1.3 Proyeksi Iklim Ekstrim ........................................................................................... 70
4.2 Proyeksi Perubahan Iklim di Kabupaten Manggarai ......................................................... 75
4.2.1 Proyeksi Suhu ......................................................................................................... 75
4.2.2 Proyeksi Hujan ........................................................................................................ 78
4.3 Proyeksi Perubahan Iklim di Kabupaten Sabu Raijua....................................................... 85
4.3.1 Proyeksi Suhu ......................................................................................................... 85
4.3.2 Proyeksi Hujan ........................................................................................................ 87
4.4 Proyeksi Perubahan Iklim di Kabupaten Sumba Timur .................................................... 92
4.4.1 Proyeksi Suhu ......................................................................................................... 92
4.4.2 Proyeksi Hujan ........................................................................................................ 95
4.4.3 Proyeksi Iklim Ekstrim ......................................................................................... 100
5 RINGKASAN ....................................................................................................................... 102
DAFTAR PUSTAKA ................................................................................................................. 104
LAMPIRAN ................................................................................................................................ 109
v
DAFTAR GAMBAR
Gambar 2-1 Distribution of rain gauge stations in NTT where their data used in this
study ............................................................................................................ 5
Gambar 2-2 Domain location of RegCM4 simulation for NTT. Grid represent 10 km x
10 km resolution. ........................................................................................ 7
Gambar 2-3 Contoh model regresi antara data curah hujan bulanan GPCC dengan data
curah hujan bulanan stasiun ........................................................................ 9
Gambar 2-4 Sebaran lokasi stasiun hujan yang data curah hujannya digunakan untuk
validasi dan koreksi bias. .......................................................................... 12
Gambar 2-5 Ilustrasi tahapan proses koreksi data curah hujan untuk estimasi data
curah hujan harian maksimum bulanan dari data curah hujan dekad
maksimum bulanan dari data CHIRPS (a-d). ........................................... 12
Gambar 2-6 Diagram alir estimasi data curah hujan harian maximum bulanan dari data
CHIRPS dan data GCM CMIP5. .............................................................. 13
Gambar 2-7 Diagram Taylor hasil perbandingan antara data klimatologi curah hujan
masing-masing keluaran model GCM dengan curah hujan observasi. ..... 15
Gambar 2-8 Nilai radiative forcing (a) dan emisi CO2 (b) dalam skenario RCP. GCAM
4.5 merupakan acuan dalam skenario RCP-4.5 (Moss et al. 2010). ......... 16
Gambar 3-1 Klimatologi curah hujan bulanan selama 30 tahun periode 1981-2010
berdasarkan data CHIRPS v1.7 yang telah divalidasi dan dikoreksi
dengan data curah hujan stasiun. .............................................................. 20
Gambar 3-2 Pengelompokan tipe hujan berdasarkan hasil analisis cluster terhadap data
curah hujan dari 102 stasiun hujan di NTT; a) Peta sebaran lokasi stasiun
hujan berdasarkan kelompok tipe hujan hasil analisis cluster, dan b) pola
curah hujan musiman (klimatologi) berdasarkan rataan bulanan data hujan
untuk masing-masing kelompok cluster. .................................................. 21
Gambar 3-3 Suhu udara rata-rata 30 tahunan di NTT periode baseline 1981-2010.
Interpolasi data suhu disusun mengikuti fungsi lapse rate. ...................... 22
Gambar 3-4 Peta koefisien korelasi (a-b) dan koefisien regresi (c-d) antara anomaly
curah hujan bulanan dengan indeks anomali suhu permukaan laut di
wilayah Nino-3.4. Data curah hujan menggunakan data TRMM (kiri) dan
data CHIRPS yang telah dikoreksi (kanan). Data indeks Nino-3.4 dihitung
dengan menggunakan data SPL ERSST versi 3b. .................................... 23
Gambar 3-5 Persentase penurunan curah hujan relatif terhadap nilai klimatologi pada
bulan bersangkutan sebagai respon terhadap peningkatan per 1 ◦C indeks
anomali suhu permukaan laut di wilayah Nino-3.4 sebagai indikator
terjadinya El Nino. Data curah hujan menggunakan data TRMM. .......... 25
vi
Gambar 3-6 Persentase penurunan curah hujan relatif terhadap nilai klimatologi pada
bulan bersangkutan sebagai respon terhadap peningkatan per 1 ◦C indeks
anomali suhu permukaan laut di wilayah Nino-3.4 sebagai indikator
terjadinya El Nino. Data curah hujan menggunakan data CHIRPS yang
telah dikoreksi. .......................................................................................... 26
Gambar 3-7 Trend dasawarsa dari curah hujan tahunan di NTT, dihitung berdasarkan
data 30-tahunan dengan interval setiap 10 tahun dalam rentang periode
1901-2010. Data jangka panjang diperoleh dari hasil rekonstruksi data
curah hujan dari 102 stasiun iklim dikombinasikan dengan data curah
hujan bulanan global dari WCRP GPCC sebagaimana dijelaskan pada
Subbagian 3.2.2......................................................................................... 27
Gambar 3-8 Peta nilai rataan dan simpangan baku curah hujan maksimum tahunan di
NTT untuk akumulasi hujan selama 1 hingga 5 hari. ............................... 30
Gambar 3-9 Curah hujan harian maksimum tahunan pada tahun 1981-2007 (a-aa)
berdasarkan data Aphrodite. ..................................................................... 31
Gambar 3-10 Ambang batas curah hujan ekstrim basah (dalam milimeter, mm)
berdasarkan batasan nilai percentile: a) 80th percentile, b) 90th percentile,
c) 95th percentile, and d) 99th percentile.................................................... 32
Gambar 3-11 Ambang batas curah hujan ekstrim kering (dalam milimeter, mm)
berdasarkan batasan nilai percentile: a) 1th percentile, b) 5th percentile, c)
10th percentile, and d) 20th percentile. ....................................................... 32
Gambar 3-12 Klimatologi suhu udara rata-rata, suhu maksimum dan suhu minimum
bulanan berdasarkan data pengamatan di stasiun Ruteng, Maggarai
periode 1994-2013 .................................................................................... 33
Gambar 3-13 Klimatologi curah hujan bulanan berdasarkan data pengamatan di stasiun
Ruteng, Maggarai periode 1994-2013 ...................................................... 33
Gambar 3-14 Korelasi spasial antara data anomali curah hujan wilayah di Kabupaten
Manggarai dengan anomali suhu permukaan laut (ASPL) di kawasan
Samudera Hindia dan Pasifik periode 1981-2010 dengan jeda waktu 0-5
bulan. Data curah hujan menggunakan data CHIRPS v1.7 yang telah
divalidasi dan dikoreksi dengan data curah hujan stasiun. Data ASPL
dihitung dari data ERSST v3b. ................................................................. 35
Gambar 3-15 Tren suhu udara rata-rata tahunan di Stasiun Ruteng, Manggarai dengan
menggunakan data pada periode 1994-2013............................................. 35
Gambar 3-16 Tren suhu udara maksimum tahunan di Stasiun Ruteng, Manggarai dengan
Gambar 3-17 Tren suhu udara minimum tahunan di Stasiun Ruteng, Manggarai dengan
Gambar 3-18 Tren total curah hujan tahunan di Stasiun Ruteng, Manggarai dengan
vii
Gambar 3-19 Tren total curah hujan musim hujan di Stasiun Ruteng, Manggarai dengan
Gambar 3-20 Tren total curah hujan musim kemarau di Stasiun Ruteng, Manggarai
dengan menggunakan data pada periode 1994-2013. ............................... 38
Gambar 3-21 Tren awal musim hujan dan awal musim kemarau di Stasiun Ruteng,
Manggarai dengan menggunakan data pada periode 1994-2013. ............. 39
Gambar 3-22 Tren panjang musim hujan dan panjang musim kemarau di Stasiun Ruteng,
Manggarai dengan menggunakan data pada periode 1994-2013. ............. 39
Gambar 3-23 Tren anomali kecepatan angin bulanan maksimum di Stasiun Ruteng,
Manggarai dengan menggunakan data pada periode 1994-2013. Siklus
musiman dari data dihilangkan. ................................................................ 40
Gambar 3-24 Tren frekuensi curah hujan harian melampaui 50 mm di Stasiun Ruteng,
Manggarai dengan menggunakan data pada periode 1994-2013 .............. 41
Gambar 3-25 Tren frekuensi kecepatan angin melampaui 45 km/jam di Stasiun Ruteng,
Manggarai dengan menggunakan data pada periode 1994-2013 .............. 41
bulanan berdasarkan data pengamatan di stasiun Tardamu, Sabu Raijua
periode 1982-2013 .................................................................................... 42
Tardamu, Sabu Raijua periode 1982-2013 ............................................... 42
Sabu Raijua dengan anomali suhu permukaan laut (ASPL) di kawasan
Gambar 3-29 Tren suhu udara rata-rata tahunan di Stasiun Tardamu, Sabu Raijua
Gambar 3-30 Tren suhu udara maksimum tahunan di Tardamu, Sabu Raijua dengan
Gambar 3-31 Tren suhu udara minimum tahunan di Stasiun Tardamu, Sabu Raijua
Gambar 3-32 Tren total curah hujan tahunan di Stasiun Tardamu, Sabu Raijua dengan
Gambar 3-33 Tren total curah hujan musim hujan di Stasiun Tardamu, Sabu Raijua
Gambar 3-34 Tren total curah hujan musim kemarau di Stasiun Tardamu, Sabu Raijua
Gambar 3-35 Tren awal musim hujan dan awal musim kemarau di Stasiun Tardamu,
Sabu Raijua dengan menggunakan data pada periode 1982-2013............ 48
viii
Gambar 3-36 Tren panjang musim hujan dan panjang musim kemarau di Stasiun
Tardamu, Sabu Raijua dengan menggunakan data pada periode 1982-
2013. ......................................................................................................... 48
Gambar 3-37 Tren anomali kecepatan angin bulanan maksimum di Stasiun Tardamu,
Sabu Raijua dengan menggunakan data pada periode 1982-2013. Siklus
Gambar 3-38 Tren frekuensi curah hujan harian melampaui 50 mm di Stasiun Tardamu,
Sabu Raijua dengan menggunakan data pada periode 1982-2013............ 50
Gambar 3-39 Tren frekuensi kecepatan angin melampaui 45 km/jam di Stasiun
Tardamu, Sabu Raijua dengan menggunakan data pada periode 1982-
2013 .......................................................................................................... 51
bulanan berdasarkan data pengamatan di stasiun Waingapu, Sumba Timur
periode 1982-2013 .................................................................................... 52
Waingapu, Sumba Timur periode 1982-2013........................................... 52
Sumba Timur dengan anomali suhu permukaan laut (ASPL) di kawasan
Gambar 3-43 Tren suhu udara rata-rata tahunan di Stasiun Waingapu, Sumba Timur
Gambar 3-44 Tren suhu udara maksimum tahunan di Waingapu, Sumba Timur dengan
Gambar 3-45 Tren suhu udara minimum tahunan di Stasiun Waingapu, Sumba Timur
Gambar 3-46 Tren total curah hujan tahunan di Stasiun Waingapu, Sumba Timur
Gambar 3-47 Tren total curah hujan musim hujan di Stasiun Waingapu, Sumba Timur
Gambar 3-48 Tren total curah hujan musim kemarau di Stasiun Waingapu, Sumba
Timur dengan menggunakan data pada periode 1985-2012. .................... 56
Gambar 3-49 Tren awal musim hujan dan awal musim kemarau di Stasiun Waingapu,
Sumba Timur dengan menggunakan data pada periode 1985-2012. ........ 57
Gambar 3-50 Tren panjang musim hujan dan panjang musim kemarau di Stasiun
Waingapu, Sumba Timur dengan menggunakan data pada periode 1985-
2012. ......................................................................................................... 57
ix
Gambar 3-51 Tren anomali kecepatan angin bulanan maksimum di Stasiun Waingapu,
Sumba Timur dengan menggunakan data pada periode 1982-2013. Siklus
Gambar 3-52 Tren frekuensi curah hujan harian melampaui 50 mm di Stasiun
2013 .......................................................................................................... 59
Gambar 3-53 Tren frekuensi kecepatan angin melampaui 45 km/jam di Stasiun
2013 .......................................................................................................... 60
Gambar 4-1 Suhu udara rata-rata 30 tahunan di NTT pada periode baseline tahun
1981-2010 dan proyeksi berdasarkan kombinasi beberapa GCM CMIP5
dengan semua skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5
pada tiga periode akan datang, yaitu 2011-2040, 2041-2070 dan 2071-
2100. ......................................................................................................... 61
Gambar 4-2 Persentase perubahan curah hujan rata-rata tahunan di NTT pada periode
a) 2011-2040 dan 2021-2050 relatif terhadap periode baseline 1981-2010
berdasarkan simulasi model iklim regional RegCM4............................... 62
Gambar 4-3 Persentase perubahan curah hujan rata-rata bulanan di NTT pada periode
a) 2011-2040 dan 2021-2050 relatif terhadap periode baseline 1981-2010
berdasarkan simulasi model iklim regional RegCM4............................... 63
Gambar 4-4 Proyeksi naik-turunnya curah hujan di NTT berdasarkan rataan wilayah
dari median 16 GCM pada semua skenario RCP untuk periode: a) 2011-
2040, b) 2041-2070 dan c) 2071-2100...................................................... 66
Gambar 4-5 Peluang peningkatan curah hujan klimatologi bulanan periode 2011-2040
di NTT berdasarkan kecenderungan 16 model GCM CMIP5 dengan
skenario RCP2.6. ...................................................................................... 67
skenario RCP4.5. ...................................................................................... 68
skenario RCP6.0. ...................................................................................... 68
skenario RCP8.5. ...................................................................................... 69
Gambar 4-9 Proyeksi periode ulang kejadian ekstrim basah dimasa depan berdasarkan
empat skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5
masing-masing pada periode 2011-2040 (40), 2041-2070 (70) dan 2071-
2100 (100) dengan menggunakan referensi nilai periode ulang 5 tahunan
(P>Rt = 20%). ........................................................................................... 71
x
(P>Rt = 10%). ........................................................................................... 71
(P>Rt = 5%). ............................................................................................. 72
Gambar 4-12 Proyeksi periode ulang kejadian ekstrim kering dimasa depan berdasarkan
masing-masing pada periode 2011-2040, 2041-2070 dan 2071-2100
dengan menggunakan referensi nilai periode ulang 5 tahunan (P<Rt =
20%). ......................................................................................................... 73
dengan menggunakan referensi nilai periode ulang 10 tahunan (P<Rt =
10%). ......................................................................................................... 74
dengan menggunakan referensi nilai periode ulang 20 tahunan (P>Rt =
5%). ........................................................................................................... 75
Gambar 4-15 Rataan wilayah untuk anomali suhu udara rata-rata tahunan selama 30
tahun di Kabupaten Manggarai relatif terhadap periode baseline tahun
1980-2009. Proyeksi berdasarkan kombinasi beberapa GCM CMIP5
dengan semua skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5
pada tiga periode akan datang, yaitu 2011-2040, 2041-2070 dan 2071-
2100. ......................................................................................................... 76
Gambar 4-16 Suhu udara rata-rata 30 tahunan di Kabupaten Manggarai, NTT pada
periode baseline tahun 1981-2010 dan proyeksi berdasarkan kombinasi
beberapa GCM CMIP5 dengan semua skenario RCP, yaitu RCP2.6,
RCP4.5, RCP6.0 dan RCP8.5 pada tiga periode akan datang, yaitu 2011-
2040, 2041-2070 dan 2071-2100. ............................................................. 77
Gambar 4-17 Proyeksi naik-turunnya curah hujan di Kabupaten Manggarai berdasarkan
rataan wilayah dari median 16 GCM pada semua skenario RCP untuk
periode: a) 2011-2040, b) 2041-2070 dan c) 2071-2100. ......................... 78
di Kabupaten Manggarai berdasarkan kecenderungan 16 model GCM
CMIP5 dengan skenario a) RCP2.6, b) RCP4.5, c) RCP6.0 dan d)
RCP8.5. ..................................................................................................... 80
xi
Gambar 4-19 Proyeksi kejadian iklim ekstrim di Kabupaten Manggarai berdasarkan
hasil keluaran RegCM4 dengan skenario RCP4.5. ................................... 83
Gambar 4-20 Batas administrasi desa di Kabupaten Manggarai dan urutan penomoran
masing-masing desa. ................................................................................. 84
Gambar 4-21 Proyeksi perubahan peruang curah hujan ekstrim basah yang di-overlay
dengan batas administrasi desa di Kabupaten Manggarai, NTT............... 85
Gambar 4-22 Rataan wilayah anomali suhu udara rata-rata tahunan selama 30 tahun di
Kabupaten Sabu Raijua relatif terhadap periode baseline tahun 1980-
2009. Proyeksi berdasarkan kombinasi beberapa GCM CMIP5 dengan
semua skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 pada
tiga periode akan datang, yaitu 2011-2040, 2041-2070 dan 2071-2100... 86
Gambar 4-23 Suhu udara rata-rata 30 tahunan di Kabupaten Sabu Raijua, NTT pada
2040, 2041-2070 dan 2071-2100. ............................................................. 87
Gambar 4-24 Proyeksi naik-turunnya curah hujan di Kabupaten Sabu Raijua
berdasarkan rataan wilayah dari median 16 GCM pada semua skenario
RCP untuk periode: a) 2011-2040, b) 2041-2070 dan c) 2071-2100. ...... 88
di Kabupaten Sabu Raijua berdasarkan kecenderungan 16 model GCM
RCP8.5. ..................................................................................................... 89
Gambar 4-26 Proyeksi kejadian iklim ekstrim di Kabupaten Sabu Raijua berdasarkan
Gambar 4-27 Batas administrasi desa di Kabupaten Sabu Raijua dan urutan penomoran
masing-masing desa.. ................................................................................ 92
dengan batas administrasi desa di Kabupaten Sabu Raijua, NTT. ........... 92
Kabupaten Sumba Timur relatif terhadap periode baseline tahun 1980-
2009. Proyeksi berdasarkan kombinasi beberapa GCM CMIP5 dengan
semua skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 pada
tiga periode akan datang, yaitu 2011-2040, 2041-2070 dan 2071-2100... 94
Gambar 4-30 Suhu udara rata-rata 30 tahunan di Kabupaten Sumba Timur, NTT pada
2040, 2041-2070 dan 2071-2100. ............................................................. 95
xii
Gambar 4-31 Proyeksi naik-turunnya curah hujan di Kabupaten Smba Timur
berdasarkan rataan wilayah dari median 16 GCM pada semua skenario
RCP untuk periode: a) 2011-2040, b) 2041-2070 dan c) 2071-2100. ...... 96
di Kabupaten Sumba Timur berdasarkan kecenderungan 16 model GCM
RCP8.5. ..................................................................................................... 97
Gambar 4-33 Proyeksi kejadian iklim ekstrim di Kabupaten Sumba Timur berdasarkan
Gambar 4-34 Batas administrasi desa di Kabupaten Sumba Timur dan urutan
penomoran masing-masing desa. ............................................................ 100
dengan batas administrasi desa di Kabupaten Sumba Timur, NTT.. ...... 101
DAFTAR TABEL
Tabel 2-1 Daftar 20 model GCM CMIP5 yang digunakn dalam studi ini berikut dengan
informasi referensi dari masing-masing model ................................................ 5
Tabel 2-2 Informasi pengaturan skma fisik dan skema parameterisasi yang digunakan
untuk simulasi RegCM4 di wilayah NTT......................................................... 8
Tabel 2-3 Informasi kombinasi data untuk rekonstruksi curah hujan bulanan dengan
menggunakan data curah hujan dari 102 stasiun hujan dan data curah hujan
grid WCRP GPCC versi 6 dengan resolusi spasial grid 0,5◦ x 0,5◦. .............. 10
Tabel 4-1 Daftar indeks iklim yang dianalisis dalam studi ini........................................ 81
DAFTAR LAMPIRAN
Lampiran 1 Peluang peningkatan curah hujan klimatologi bulanan periode 2041-2070 di

Kabupaten Manggarai berdasarkan kecenderungan 16 model GCM CMIP5
dengan skenario a) RCP2.6, b) RCP4.5, c) RCP6.0 dan d) RCP8.5. ......... 109
Kabupaten Manggarai berdasarkan kecenderungan 16 model GCM CMIP5
Kabupaten Sabu Raijua berdasarkan kecenderungan 16 model GCM CMIP5
Kabupaten Sabu Raijua berdasarkan kecenderungan 16 model GCM CMIP5
xiii
Kabupaten Sumba Timur berdasarkan kecenderungan 16 model GCM
CMIP5 dengan skenario a) RCP2.6, b) RCP4.5, c) RCP6.0 dan d) RCP8.5.
.................................................................................................................... 113
Kabupaten Sumba Timur berdasarkan kecenderungan 16 model GCM
CMIP5 dengan skenario a) RCP2.6, b) RCP4.5, c) RCP6.0 dan d) RCP8.5.
.................................................................................................................... 114
Lampiran 7 Proyeksi perubahan peruang curah hujan ekstrim kering yang di-overlay
dengan batas administrasi desa di Kabupaten Manggarai, NTT.. .............. 115
dengan batas administrasi desa di Kabupaten Sabu Raijua, NTT.. ............ 116
dengan batas administrasi desa di Kabupaten Sumba Timur, NTT.. ......... 117
xiv
1 PENDAHULUAN
1.1 LATAR BELAKANG
Pemanasan global adalah kenaikan suhu rata-rata udara di dekat permukaan bumi dan
lautan sejak pertengahan abad ke-20 dan diproyeksikan akan terus berlangsung. Menurut
Laporan Ke Empat (AR4) Intergovernmental Panel on Climate Change (IPCC, 2007),
suhu permukaan global meningkat sebesar 0.7 ± 0.32 0C (1.33 ± 0.32 0F) selama abad
ke-20. Nilai tersebut tidak terlalu jauh berbeda dengan hasil yang dikeluarkan dalam
Laporan Ke Lima (IPCC AR5) mereka yang baru saja dikeluarkan pada tahun 2013.
Mayoritas kenaikan suhu yang diamati sejak pertengahan abad ke-20 disebabkan oleh
peningkatan konsentrasi gas rumah kaca (GRK), yang disebabkan oleh aktivitas manusia
seperti pembakaran bahan bakar fosil dan pengurangan lahan hutan. Pemanasan global
menyebabkan terjadinya perubahan iklim yang dampaknya dapat berbeda-beda pada
setiap wilayah.
Kajian perubahan iklim di Nusa Tenggara Timur sejauh ini belum banyak dilakukan.
Beberapa kajian yang telah dilakukan terkait perubahan iklim di Nusa Tenggara Timur
masih terbatas pada potensi dampak yang ditimbulkan pada sektor tertentu seperti
kesehatan, pertanian dan kehutanan, dan sosial ekonomi masyarakat. Secara psikologis
perubahan iklim dapat dirasakan berupa perubahan perilaku iklim yang tidak menentu di
Nusa Tenggara Timur. Dampak yang paling dirasakan adalah penyimpangan pola hujan
dari normalnya. Awal musim hujan umumnya mundur, sering terjadi periode kering (dry
spell) atau jeda hujan (season break), curah hujan bertambah tinggi, namun periode
musim hujan semakin pendek, serta sering terjadi hujan yang cukup tinggi pada musim
kemarau.
Hasil kajian dari analisis data historis suhu udara dan curah hujan bulanan dari 8
(delapan) Stasiun Meteorologi dan Klimatologi di Nusa Tenggara Timur menunjukkan
bahwa pada umumnya temperatur udara dan curah hujan bulanan mengalami tren
peningkatan dimana suhu udara semakin meningkat dan akumulasi hujan bulanan
semakin tinggi, kecuali di Baa – Rote Ndao dimana suhu udara dan curah hujan bulanan
mengalami tren penurunan (Geru, 2013). Sementara itu dalam kajian Tingkat Kerentanan
Air di DAS Kambaniru-Sumba Timur, Pujiono (2013) mengemukakan bahwa di sekitar
DAS Kambaniru telah terjadi peningkatan suhu udara rata-rata dan penurunan curah
hujan selama 40 tahun terakhir (1973–2012). Selain itu berdasarkan pendekatan spasial
menunjukkan bahwa bagian tengah dan hilir DAS Kambaniru termasuk kategori tingkat
kerentanan tinggi sedangkan di bagian hulu memiliki tingkat kerentanan sedang.
Penggunaan model iklim untuk kajian perubahan iklim di Nusa Tenggara Timur belum
banyak dilakukan dan kajian yang telah ada umumnya mencakup wilayah yang lebih luas
dimana wilayah NTT termasuk di dalamnya (misal: Barnett et al., 2003; IPCC, 2013;
1
Katzfey et al., 2010). Secara umum hasil kajian IPCC (2013) mengindikasikan bahwa
wilayah Nusa Tenggara Timur akan terjadi peningkatan suhu udara 0,5°C bila
menggunakan skenario emisi gas rumah kaca (GRK) terendah dan 4,0°C bila
menggunakan skenario emisi GRK tertinggi. Selain itu, curah hujan juga terjadi
perubahan dimana curah hujan musim kemarau akan berkurang dan meningkat pada
musim penghujan. Katzfey et al. (2010) melakukan kajian perubahan iklim di Indonesia
namun mencakup wilayah Nusa Tenggara Timur menggunakan 6 model GCMs
berdasarkan skenario SRES A2 melalui proses dynamical downscaling (CSIRO-CCAM)
dengan resolusi spasial 60 × 60 Km dan untuk periode waktu tahun 1971-2000, 2041-
2060, dan 2081-2100. Hasil kajian proyeksi tersebut secara umum menunjukkan proyeksi
peningkatan suhu maksimum dan suhu minimum serta kemungkinan terjadinya
penurunan curah hujan. Barnett et al. (2003) melakukan kajian perubahan iklim di Timor
Leste yang hasilnya mencakup sebagian wilayah Nusa Tenggara Timur. Hasil kajian
proyeksi tersebut juga menunjukkan konsistensi peningkatan suhu dengan rentang
peningkatan 0.3- 1.2˚C pada tahun 2030 dan 0.8-3.6˚C pada tahun 2070. Demikian pula
dengan curah hujan yang menunjukkan kemungkinan perubahan dengan kondisi yang
berbeda pada masing-masing musim.
Pemanasan global secara langsung mempengaruhi karakteristik parameter cuaca dan
iklim, dimana paramater cuaca/iklim dapat mengalami kenaikan atau penurunan secara
signifikan atau berdampak pada perilaku iklim yang cenderung bersifat ekstrim yang
mengancam aktivitas manusia dan lingkungan. Pemanasan global juga telah nyata
berpengaruh terhadap perubahan iklim yang ditandai dengan perubahan pola hujan
(karakteristik musim hujan dan kemarau). Hasil kajian IPCC dalam laporan khusus
mereka tentang iklim ekstrim (disebut sebagai SREX; IPCC, 2012) mengkonfirmasi telah
terjadinya pengaruh perubahan iklim terhadap meningkatnya kejadian iklim ekstrim di
berbagai wilayah. Untuk memahami secara lebih detil tentang perubahan iklim dan
perubahan kejadian iklim ekstrim dalam suatu wilayah regional maupun lokal diperlukan
kajian yang lebih detil. Kajian basis saintifik perubahan iklim dalam tataran lokal
memerlukan data iklim historis yang cukup baik dalam tataran lokal dan juga dibutuhkan
upaya pemodelan iklim dalam konteks regional dengan menggunakan pendekatan
downscaling baik dengan pendekatan downscaling dinamik maupun statistik.
1.2 RUANG LINGKUP DAN TUJUAN
Studi ini ditujukan untuk memberikan analisis detil tentang kajian iklim historis dan
proyeksi perubahan iklim di wilayah NTT secara umum dan pada tiga lokasi kabupaten
terpilih, yaitu Kabupaten Manggari, Sabu Raijua dan Sumba Timur. Analisis dilakukan
dengan menggunakan berbagai sumber data observasi baik dari hasil pencatan data
stasiun yang dilakukan oleh BMKG maupun dari sumber data lain yang bersifat data grid
global hasil pengoahan estimasi data satelit, interpolasi data stasiun maupun data re-
analysis. Untuk kajian proyeksi perubahan iklim dilakukan pendekatan downscaling dari
2
data model iklim global (global climate model, GCM) dengan menggunakan pendekatan
downscaling dinamik dan statistik. Downscaling dinamik dilakukan dengan
menggunakan model iklim regional (regional climate model, RCM) dengan
memanfaatkan data keluaran GCM sebagai data initial condition/boundary condition
(ICBC) untuk melakukan simulasi RCM. Hasil kajian akan disajikan berdasarkan analisi
data historis dan data proyeksi khususnya untuk data curah hujan dan suhu serta aspek
lain berkaitan dengan keragaman iklim dan kejadian iklim ekstrim.
3
2 METODOLOGI
2.1 DATA
Keragaman dan perubahan iklim di NTT secara umum dan pada tiga kabupaten
(Kabupaten Manggarai, Sabu Raijua dan Sumba Timur) secara khusus dilakukan dengan
memanfaatkan berbagai data hasil observasi dari berbagai sumber. Data tersebut berasal
dari hasil pengamatan langsung yang diperoleh dari stasiun iklim maupun dari hasil
olahan dan produk data global dalam bentuk grid. Data global ada yang berasal dari
gabungan data hasil pengukuran di daratan dari berbagai stasiun iklim, dari estimasi data
satelit, maupun dari kombinasi antara data stasiun dan data satelit. Selain itu, terdapat
pula data yang berasal dari hasil re-analysis yang merupakan gabungan antara data-data
yang ada dengan data hasil pemodelan.
Selain data observasi dan re-analysis, data hasil pemodelan juga digunakan dalam studi
ini untuk kajian proyeksi perubahan iklim. Terdapat dua jenis data model yang
digunakan, yaitu data darikeluaran model iklim global (Global Climate Model, GCM)
dan data hasil simulasi model iklim regional (Regional Climate Model, RCM) khusus
untuk wilayah NTT.
2.1.1 Data Observasi Stasiun

Dalam studi ini, data observasi iklim diperoleh dari berbagai stasiun iklim yang
umumnya dikelola oleh Badan Meteorologi Klimatologi dan Geofisika (BMKG) yang
tersebar di Provinsi NTT, tentunya dengan data lebih detil diutamakan pada tiga
kabupaten yang menjadi wilayah kajian. Untuk data curah hujan bulanan, digunakan data
dari 102 stasiun yang digunakan untuk kajian iklim hitoris dan sebagai referensi untuk
proyeksi perubahan iklim. Sebaran lokasi stasiun hujan dari data tersebut disajikan pada
Gambar 2-1. Sebagai tambahan, khusus pada tiga wilayah kajian yaitu Kabupaten
Manggarai, Sabu Raijua dan Sumba Timur digunakan data iklim yang lebih detil dan
melibatkan unsur-unsur iklim lain selain curah hujan. Data yang digunakan untuk analisis
iklim historis adalah data series iklim yang lengkap dan realible yang diperoleh dari
Stasiun Meteorologi Waingapu – Sumba Timur (1982 – 2013), Stasiun Meteorologi
Ruteng – Manggarai (1994 – 2013), dan Stasiun Meteorologi Tardamu – Sabu Raijua
(1982 – 2013).
4
Gambar 2-1 Distribution of rain gauge stations in NTT where their data used in this study
2.1.2 Data Iklim Global

Keterbatasan data yang tersedia dan banyaknya data hilang masih menjadi kendala untuk
mendapatkan hasil analisis dengan data yang mencukupi. Oleh karena itu, penelitian ini
juga menggabungkan dan memanfaatkan data yang berasal dari sumber data iklim global
yang umumnya tersedia dalam bentuk data grid. Beberapa data global yang digunakan
khususnya untuk data hujan diperoleh dari beberapa sumber dengan resolusi spasial dan
temporal yang beragam serta sumber perolehan data yang berbeda, baik dari data
observasi di daratan maupun hasil estimasi dari data satelit. Data terebut diantaranya
yaitu data dari data estimasi satelit Tropical Rainfall Measuring Mission (TRMM;
Huffman et al., 2007), data the Asian Precipitation - Highly-Resolved Observational
Data Integration Towards Evaluation of Water Resources (APHRODITE’s Water
Resources; Yatagai et al., 2012), data the World Climate Research Program Global
Precipitation Climate Change versi 6 (WCRP GCOS GPCC FDP version6 0p5; Rudolf et
al., 2010), dan data Climate Research Unit (CRU) TS3.1 (CRU, 2008; Mitchell and
Jones, 2005).
2.1.3 Data Re-Analysis

Dalam studi ini, data re-analysis NNRP1 juga digunakan sebagai data ICBC untuk
menjalankan simulasi kondisi iklim historis dengan menggunakan model iklim regional.
Tabel 2-1 Daftar 20 model GCM CMIP5 yang digunakn dalam studi ini berikut dengan
informasi referensi dari masing-masing model
No. CMIP5 Model Run Institution ID Main Reference(s)
1 BCC-CSM1-1 r1i1p1 BCC (NNRP1; Wu, 2012; Xin et al., 2012; Xin et al., 2013)
2 CCSM4 r1i1p1 NCAR (Gent and Danabasoglu, 2011)
3 CESM1-CAM5 r1i1p1 NSF-DOE-NCAR (Hurrell, 2013)
4 CSIRO-Mk3-6-0 r10i1p1 CSIRO-QCCCE (Rotstayn et al., 2012)
5
No. CMIP5 Model Run Institution ID Main Reference(s)
5 FIO-ESM r1i1p1 FIO (Collins et al., 2006)
6 NOAA GFDL GFDL-CM3 r1i1p1 NOAA GFDL (Delworth et al., 2006; Donner et al., 2011)
NOAA GFDL GFDL-
7 r1i1p1 NOAA GFDL (Dunne et al., 2012; Dunne et al., 2013)
ESM2G
NOAA GFDL GFDL-
8 r1i1p1 NOAA GFDL (Dunne et al., 2012; Dunne et al., 2013)
ESM2M
9 GISS-E2-R r1i1p1 NASA GISS (Schmidt et al., 2006)
12 HadGEM2-AO r1i1p1 NIMR/KMA (Collins et al., 2011; Martin et al., 2011)
13 HadGEM2-ES r1i1p1 MOHC (INPE) (Collins et al., 2011; Martin et al., 2011)
14 IPSL-CM5A-LR r1i1p1 IPSL (Dufresne et al., 2013)
15 MIROC5 r1i1p1 MIROC (Watanabe et al., 2010)
16 MIROC-ESM r1i1p1 MIROC (Watanabe et al., 2010)
17 MIROC-ESM-CHEM r1i1p1 MIROC (Watanabe et al., 2010)
18 MRI-CGCM3 r1i1p1 MRI (Yukimoto et al., 2012; Yukimoto et al., 2011)
19 NorESM1-M r1i1p1 NCC (Iversen et al., 2013)
20 NorESM1-ME r1i1p1 NCC (Tjiputra et al., 2013)
2.1.4 Data Hasil Model Iklim

Data GCM diperoleh dari data Climate Model Intercomparison Project version 5
(CMIP5) yang merupakan data keluaran model terbaru yang digunakan dalam laporan
kelima Intergovernmental Panel on Climate Change (IPCC AR5). Data CMIP5 diperoleh
dari website KNMI Climate Explorer
(http://climexp.knmi.nl/selectfield_cmip5.cgi?id=someone@somewhere). Data CMIP5
tersebut juga dapat diperoleh melalui link resmi (http://pcmdi9.llnl.gov/). Data iklim dari
keluaran beberapa model GCM digunakan dalam studi ini. Untuk proyeksi curah hujan,
digunakan data dari 20 model GCM CMIP5 sebagaimana tercantum dalam Tabel 3-1.
Selain data keluaran GCM, dilakukan juga pendekatan dynamical downscaling dengan
menggunakan simulasi RCM. Namun karena keterbatasan waktu dan sumberdaya hanya
digunakan satu model GCM dengan satu skenario perubahan iklim untuk simulasi
tersebut. Informasi lebih detil mengenai metode dan pengaturan simulasi RCM disajikan
pada Sub-bagian 3.2.1.
2.2 METODE
2.2.1 Simulasi Model Iklim Regional

RegCM4 merupakan model iklim regional yang dikembangkan oleh ICTP (International
Centre for Theoretical Physics), Trieste, Italy. Model ini dapat digunakan untuk
mensimulasikan parameter iklim seperti curah hujan, suhu, tekanan udara, kelembaban,
medan angin, radiasi, kelembaban tanah, aliran permukaan (runoff), fraksi awan dan lain-
lain secara lebih detail berdasarkan inforamsi iklim global. Data Global Climate Model
(GCM) sebagai Initial and Boundary Condition (ICBC) dalam menjalankan model
RegCM4 yang digunakan adalah CMIP5 CanESM2 yang dikembangkan oleh Canadian
Centre for Climate Modelling and Analysis (CCCma). CanESM2 merupakan gabungan
6
model CanCM4 dan siklus karbon terrestrial berdasarkan Canadian Terrestrial
Ecosystem Model (CTEM) dengan adanya pertukaran karbon tanah dan atmosfer. Siklus
terrestrial dalam model CTEM termasuk adanya perubahan penggunaan lahan
berdasarkan kondisi perubahan historis dalam wilayah bervegetasi (Arora and Boer,
2010).
Gambar 2-2 Domain location of RegCM4 simulation for NTT. Grid represent 10 km x 10 km
resolution.
7
Tabel 2-2 Informasi pengaturan skma fisik dan skema parameterisasi yang digunakan untuk
simulasi RegCM4 di wilayah NTT
Parameter Description (Giorgi et al., 2013) Use in Model *)
&dimparam
iy Number of grid points in y direction (i) 72
jx Number of grid points in x direction (j) 160
kz Number of vertical levels (k) 18
&geoparam
iproj Map projection ‘NORMER’ (Normal Mercator)
ds Grid point separation in km 10
ptop Pressure of model top in cbar 5
clat Central latitude of model domain in degrees -9.25
clon Central longitude of model domain in degrees 121.75
&globdatparam
ibdyfrq Boundary condition interval (hours) 6
ssttyp Type of Sea Surface Temperature used 'CA_45'
dattyp Type of global analysis datasets used 'CA_45'
gdate1 Start date for ICBC data generation 1979120100 / 2006020100
gdate2 End data for ICBC data generation 2005120100 / 2100120100
calendar Calendar to use (gregorian, noleap or 360_day) 'noleap'
&timeparam
dtrad Time step in seconds 30
dtabem Time interval solar radiation calculated (minutes) 18
dtsrf Time interval absorption-emission calculated (hours) 90
dt Time interval at which land model is called (seconds) 30
&physicsparam
Lateral Boundary conditions scheme
0 => Fixed
1 => Relaxation, linear technique.
iboudy 2 => Time-dependent 5
3 => Time and inflow/outflow dependent.
4 => Sponge (Perkey & Kreitzberg, MWR 1976)
5 => Relaxation, exponential technique.
Boundary layer scheme
0 => Frictionless
ibltyp 1 => Holtslag PBL (Holtslag, 1990) 1
2 => UW PBL (Bretherton and McCaa, 2004)
99 => Holtslag PBL, with UW in diag. mode
Cumulus convection scheme
1 => Kuo
2 => Grell
3 => Betts-Miller (1986) DOES NOT WORK !!!
4 => Emanuel (1991)
icup 4
5 => Tiedtke (1986) UNTESTED !!!
96 => Use Tiedtke over land and Grell over ocean
97 => Use Tiedtke over land and Emanuel over ocean
98 => Use Emanuel over land and Grell over ocean
99 => Use Grell over land and Emanuel over ocean
Moisture scheme
ipptls 1 => Explicit moisture (SUBEX; Pal et al 2000) 1
2 => Explicit moisture Nogherotto/Tompkins
Ocean Flux scheme
1 => Use BATS1e Monin-Obukhov
iocnflx 2
2 => Zeng et al (1998)
3 => Coare bulk flux algorithm (snowice),
scenario RCP Scenarios in RCP3PD,RCP4.5,RCP6,RCP8.5 'RCP4.5'
*) Except explicitly mentioned in the above table, default parameter from RegCM4 is used in the simulation.
8
Dalam simulasi model RegCM4 digunakan beberapa skema yang menggambarkan
kondisi fisik baik permukaan ataupun atmosfer. Model permukaan yang digunakan
adalah Biosphere Atmosphere Transfer Scheme (BATS; Dickinson et al., 1993) dengan
skema lapisan perbatas (Planetary Boundary Layer Scheme) berupa formulasi non-lokal
Holtslag (Holtslag et al., 1990). Skema konvektif awan yang digunakan adalah MIT-
Emanuel (Emanuel and Zivkovic-Rothman, 1999) dengan transfer fluks lautan oleh Zeng
et al. (1998). Skema konvektif MIT-Emanuel merupakan model ideal dari gerakan udara
updraft dan downdraft dengan metode buoyancy sorting. Hal tersebut menentukan
tingkat penambahan dan pengurangan parsel udara pada level tertentu untuk
mendapatkan potensi uap air yang cukup. Periode running model RegCM4 dibagi
menjadi periode baseline (tahun 1980-2005) dan proyeksi (tahun 2006-2100). Domain
wilayahnya adalah 114°30’ BT - 129°00’ BT dan 6°00’ LS - 12°30’ LS dengan skala
spasial 10 × 10 km (Gambar 2-2). Secara rinci informasi fisik dalam menjalankan model
RegCM4 dapat dilihat pada Tabel 2-2.
2.2.2 Rekonstruksi Data Curah Hujan Bulanan dari Data Global

Keterbatasan data harian curah hujan dari hasil pengamatan stasiun menjadi kendala
utama dalam penelitian ini, khususnya dalam cakupan spasial yang cukup untuk wilayah
NTT. Data harian dibutuhkan untuk analisis kejadian iklim ekstrim atau menganalisis
karakteristik dari data iklim harian khususnya curah hujan yang banyak berpengaruh
terhadap berbagai aktivifitas perekonomian, khususnya pertanian di NTT. Untuk
mengatasi keterbatasan data curah hujan harian, diperlukan beberapa pendekatan analisis
manipulasi data dengan pendekatan statistika sehingga diperoleh data yang cukup
meyakinkan dengan karakteristik statistik yang sesuai dengan data observasi stasiun.
Gambar 2-3 Contoh model regresi antara data curah hujan bulanan GPCC dengan data curah
hujan bulanan stasiun
9
Salah satu pendekatan yang dilakukan untuk mengatasi permasalahan data yaitu dengan
melakukan rekonstruksi data spasial dalam bentuk grid yang menggabungkan antara data
observasi stasiun dengan data iklim global dari berbagai sumber. Data curah hujan
bulanan dari total 102 stasiun hujan yang terdistribusi di Provinsi NTT sebagaimana
ditampilkan pada Gambar 2-1, dilakukan rekonstruksi dengan menggunakan data curah
hujan jangka panjang dari data WCRP GCOS GPCC FDP version6 0p5 (Rudolf et al.,
2010). Informasi kombinasi data untuk rekonstruksi tersebut disajikan pada Tabel 2-3.
Proses rekonstruksi dilakukan dengan menggunakan pendekatan regresi antara data
GPCC dengan data stasiun pada masing-masing lokasi stasiun. Contoh persamaan dan
plot model regresi disajikan pada Gambar 2-3.
Tabel 2-3 Informasi kombinasi data untuk rekonstruksi curah hujan bulanan dengan
menggunakan data curah hujan dari 102 stasiun hujan dan data curah hujan grid
WCRP GPCC versi 6 dengan resolusi spasial grid 0,5◦ x 0,5◦.
Time periods Source of data

January 1901 – December
WCRP GPCC version 6
1957
January 1960 – December 102 Rain gauge observations + WCRP GPCC used to
2010 fill missing data
2.2.2.1 Koreksi Data CHIRPS dan Estimasi Nilai Maxima

Salah satu problem utama dalam analisis iklim khususnya yang berkaitan dengan analisis
iklim ekstrim yaitu berkaitan dengan ketersediaan data harian dengan cakupan wilayah
yang cukup representatif pada wilayah kajian. Berbagai data global dapat digunakan
untuk mendapatkan cakupan spasial-temporal dari data curah hujan harian, namun
tentunya dengan keterbatasan masing-masing. Sebagai contoh, data TRMM memiliki
resolusi temporal yang cukup tinggi yaitu resolusi per-3 jam and harian, namun secara
spasial, dengan resolusi hanya 0,25◦ x 0,25◦ cakupan data TRMM masih relatif kasar.
Selain itu periode ketersediaan data TRMM juga cukup terbatas karena hanya tersedia
mulai dari 1 januari 1998, padahal cakupan data yang lebih panjang dibutuhkan untuk
analisis perubahan iklim, khususnya untuk analisis kejadian ekstrim.
Pada penelitian ini, analisis kejadian curah hujan ekstrim dan penentuan ambang batas
ekstrim dilakukan dengan menggunakan data dari Climate Hazards Group InfraRed
Precipitation with Station data (CHIRPS; Funk et al., 2014). Data CHIRPS yang
digunakan yaitu data CHIRPS version 1.7 dengan resolusi temporal sekitar 10 harian
(dekad). Bila dibandingkan dengan data TRMM, data CHIRPS memiliki resolusi spasial
yang jauh lebih tinggi yaitu dengan resolusi grid sekitar 0.05◦ x 0.05◦.
Proses koreksi dan estimasi data curah hujan dari data CHIRPS dilakukan dengan
menggunakan referensi data curah hujan harian dari 17 stasiun hujan yang tersebar di
10
NTT. Peta sebaran lokasi dari 17 stasiun tersebut disajikan pada Gambar 2-4. Data
CHIRPS dikoreksi dengan menggunakan data observasi stasiun dari dua aspek secara
terpisah, yaitu i) berdasarkan koreksi bias antar total curah hujan bulanan, dan ii)
berdasarkan hubungan antara curah hujan maksimum bulanan. Tahapan koreksi bias
mengikuti metode yang dilakukan oleh Piani et al. (2010) diilustrasikan pada Gambar 2-
5.
Data CHIRPS hasil koreksi kemudian digunakan untuk menghitung nilai curah hujan
harian maksimum bulanan dan tahunan sebagai indikator dari curah hujan ekstrim.
Pendugaan nilai curah hujan harian maksimum bulanan dengan menggunakan data curah
hujan dekad maksimum bulanan dari data CHIRPS dilakukan dengan landasan bahwa
terdapat keterkaitan yang cukup tinggi antara kedua jenis data tersebu. Hal ini
sebagaimana contoh plot regresi yang disajikan pada Gambar 2-5. Model untuk
pendugaan data curah hujan harian maksimum bulanan dengan menggunakan nilai curah
hujan total bulanan juga disusun terpisah untuk masing-masing grid. Persamaan tersebut
selanjutnya digunakan untuk perhitungan proyeksi curah hujan harian maksimum
tahunan dengan menggunakan input dari luaran curah hujan bulanan 20 model GCM
CMIP5. Tahapan atau alur dari penyusunan data dugaan observasi dan proyeksi tersebut
disajikan pada Gambar 2-6.
11
Gambar 2-4 Sebaran lokasi stasiun hujan yang data curah hujannya digunakan untuk validasi
dan koreksi bias.
Gambar 2-5 . Ilustrasi tahapan proses koreksi data curah hujan untuk estimasi data curah hujan
harian maksimum bulanan dari data curah hujan dekad maksimum bulanan dari data
CHIRPS (a-d).
a) Data CHIRPS sebelum dikoreksi b) Proses koreksi dan penentuan faktor

koreksi
c) Data CHIRPS yang sudah dikoreksi d) Kurva PDF data CHIRPS setelah
dikoreksi
12
Gambar 2-6 Diagram alir estimasi data curah hujan harian maximum bulanan dari data CHIRPS
dan data GCM CMIP5.
2.2.2.2 Koreksi Data GCM CMIP5 dan Estimasi Nilai Total Bulanan dan nilai Maxima
Bulanan
Masih terkait dengan penjelasan pada Subbagian 3.2.2.1, pendugaan data curah hujan
harian maksimum bulanan untuk analisis kejadian ekstrim juga dilakukan dengan
menggunakan data curah hujan bulanan dari keluaran 20 model GCM CMIP5.
Sebelumnya, data curah hujan bulanan dari masing-masing model di regridding menjadi
resolusi 5 km x 5 km sesuai dengan resolusi data CH observasi. Data hasil regridding
tersebut dikoreksi untuk setiap grid pada masing-masing model. Proses tahapan tersebut
dapat dilihat melalui diagram yang disajikan pada Gambar 2-6.
2.2.3 Analisis Keragaman dan Perubahan Iklim

Dua aspek penting yang dikaji dalam studi ini yaitu berkaitan dengan analisis ataupun
deteksi terkait keragaman iklim dan perubahan iklim di NTT. Kajian keragaman iklim
atau climate variability dilakukan dengan mengidentifikasi keterkaitan antara keragaman
data iklim khususnya curah hujan dengan berbagai faktor utama pengendali keragaman
iklim di Indonesia, khususnya di NTT. Salah satu faktor yang dominan dan perlu dikaji
yaitu berkaitan dengan pengaruh kejadian El Niño-Southern Oscillation (ENSO).
Keterkaitan antara hal tersebut dapat diidentifikasi dengan menggunakan analisis korelasi
dan regresi spasial hubungan antara curah hujan dengan indeks ENSO, seperti data
indeks anomali suhu permukaan laut (ASPL) di wilayah Nino-3.4. Analisis korelasi
13
diperlukan untuk melihat hubungan linear antar kedua data sementara koefisien regresi
digunakan untuk mengukur pengaruh peningkatan indeks ASPL terhadap penurunan
curah hujan di NTT dari kondisi normalnya.
Untuk analisis dan deteksi perubahan iklim, juga digunakan pendekatan metode analisis
statistik. Analisis tren umumnya digunakan dalam kajian ini untuk mengidentifikasi
perubahan iklim di NTT. Secara umum analisis tren dilakukan terhadap data curah hujan
dan suhu udara rata-rata. Analisis tren dilakukan dengan menggunakan pendekatan teknik
regresi. Disamping analisis tren, analisis perbandingan dan perubahan kondisi iklim juga
dilakukan dengan perbandingan nilai distribusi peluang dari suatu unsur iklim, khususnya
berkaitan dengan kejadian iklim ekstrim.
Khusus untuk proyeksi curah hujan, dari 20 model GCM yang tersedia, dilakukan seleksi
model terlebih dahulu dengan membandingkan data curah hujan bulanan rata-rata
(klimatologi) pada periode baseline untuk masing-masing model dengan data observasi.
Data curah hujan klimatologi yang dibandingkan merupakan hasil rataan wilayah untuk
seluruh NTT. Seleksi model dilakukan dengan menggunakan Diagram Taylor yang
membandingkan tigametrik statistik untuk melihat kesesuaian data model dengan data
observasi. Ketiga metrik tersebut yaitu berdasarkan nilai koefisien korelasi, serta
perbandingan nilai simpangan baku dan root mean squared error (RMSE). Hasil diagram
taylor untuk perbandingan seluruh model dengan data observasi dapat dilihat pada
Gambar 2-7. Dari Gambar tersebut dapat dilihat bahwa terdapat empat kelauran model
(warna merah) yang memiliki nilai koefisien korelasi <0.7, yaitu CSIRO-Mk3-6-0 (run:
r10i1p1) dan GISS-E2-R (run: r1i1p1, r1i1p2 dan r1i1p3). Oleh karena itu, untuk analisis
proyeksi curah hujan, hanya akan digunakan 16 model dari 20 keluaran model GCM
yang digunakan dalam studi ini.
14
Gambar 2-7 Diagram Taylor hasil perbandingan antara data klimatologi curah hujan masing-
masing keluaran model GCM dengan curah hujan observasi.
A : BCC-‐CSM1-‐1
B : CCSM4
C : CESM1-‐CAM5
D : CSIRO-‐Mk3-‐6-‐0
E : FIO-‐ESM
F : NOAA GFDL GFDL-‐CM3
G : NOAA GFDL GFDL-‐ESM2G
H : NOAA GFDL GFDL-‐ESM2M
I : GISS-‐E2-‐R ( r1i1p1)
J : GISS-‐E2-‐R ( r1i1p2)
K : GISS-‐E2-‐R ( r1i1p3)
L : HadGEM2-‐AO
M : HadGEM2-‐ES
N : IPSL-‐CM5A-‐LR
O : MIROC5
P : MIROC-‐ESM
Q : MIROC-‐ESM-‐CHEM
R : MRI-‐CGCM3
S : NorESM1-‐M
T : NorESM1-‐ME
Pada studi ini, proyeksi iklim menggunakan skenario emisi gas rumah kaca (GRK)
Representative Concentration Pathways 4.5 (RCP-4.5). Skenario ini didasarkan pada
asumsi bahwa besarnya nilai radiative forcing pada tahun 2100 adalah 4.5 W/m2 atau
setara dengan konsentrasi CO2 sebesar 650 ppm (Gambar 2-8) (Moss et al., 2010).
Skenario RCP-4.5 telah memasukkan nilai emisi historis dan informasi tutupan lahan
untuk mencapai target nilai radiative forcing yang diinginkan. Target tersebut juga
diupayakan dengan cara merubah penggunaan energi dan penyimpananan karbon oleh
permukaan. RCP-4.5 bertujuan untuk menjaga kestabilan radiative forcing pada tahun
2100. Namun demikian bukan berarti emisi GRK, konsentrasi GRK dan sistem iklim
akan stabil. Pada RCP-4.5 besarnya radiative forcing akan stabil mulai tahun 2080-2100,
tetapi emisi dan konsentrasi GRK akan bervariasi. Penggunaan RCP-4.5 dalam model
iklim dimaksudkan untuk melihat respon sistem iklim dalam menstabilkan besarnya
radiative forcing dari faktor antropogenik (Thomson et al., 2011) (Thomson et al. 2011).
15
Gambar 2-8 Nilai radiative forcing (a) dan emisi CO2 (b) dalam skenario RCP. GCAM 4.5
merupakan acuan dalam skenario RCP-4.5 (Moss et al. 2010).
2.2.4 Iklim Ekstrim dan Penentuan Ambang Batas

Faktor iklim terutama curah hujan merupakan salah satu faktor yang memiliki peran
penting dalam meningkatkan resiko bencana hidrometeorology. Kemungkinan semakin
meningkatnya peluang kejadian curah hujan ekstrim melebihi ambang batas daya tahan
wilayah terhadap kedua bencana tersebut, akan membuat wilayah tersebut semakin
rentan. Di dalam studi ini akan dianalisis kejadian hujan ekstrim dari data historis untuk
memahami sejauh mana pengaruh kejadian tersebut terhadap wilayah yang dikaji.
Penentuan ambang batas kritis untuk kejadian ekstrim pada penelitian ini dilakukan
melalui kriteria ambang batas berdasarkan batasan peluang distribusi data curah hujan
harian tanpa melibatkan data bencana. Analisis peluang distribusi untuk kategori ekstrim
dilakukan dengan menggunakana batasan jika melampaui ambang batas 80th, 90th, 95th
dan 99th percentile.
Chu et al 2009 menggunakan tiga pendekatan untuk analisis ekstrim curah hujan tanpa
mengaitkannya dengan kejadian bencana, yaitu melalui 1) jumlah rata-rata tahunan dari
hari di mana akumulasi 24-h melebihi nilai curah hujan tertentu, 2) nilai yang terkait
dengan spesifik terhadap persentil curah hujan harian, dan 3) nilai-nilai curah hujan
harian maksimum tahunan yang terkait dengan periode ulang tertentu. Penentuan ambang
batas ekstrim pada kajian ini dilakukan dengan mengandalkan pendekatan yang ketiga,
yaitu dengan menganalisis nilai curah hujan maksimum tahunan yang terkait dengan
periode ulang tertentu, yaitu pensentil 0.95 (periode ulang 20 tahun) dan 0.99 (periode
ulang 100 tahun). Identifikasi curah hujan ekstrim dilakukan dengan menggunakan
analisis fungsi distribusi peluang berdasarkan metode distribusi Generalized Extreme
16
Value (GEV) untuk menganalisis data curah hujan harian maximum tahunan. Metode
GEV telah banyak digunakan dalam melakukan kajian iklim ekstrim, khususnya curah
hujan. Metode analisis distribusi GEV memiliki tiga jenis parameter, yaitu parameter
lokasi µ, parameter skala σ, dan parameter bentuk k. Nilai k memiliki tiga kemungkinan
yaitu jika k ≠ 0 (k < 1 atau k > 1) dan k = 0. Fungsi kepadatan peluang (probability
density function, PDF) dari distribusi GEV dengan nilai k ≠ 0 ditunjukkan melalui
persamaan berikut:
! !
! !!!
1 𝑥−𝜇 ! 𝑥−𝜇 !
𝑦 = 𝑓 𝑥 𝑘, 𝜇, 𝜎 = 𝑒𝑥𝑝 − 1 + 𝑘 1+𝑘
𝜎 𝜎 𝜎
!!!
untuk 1 + 𝑘 !
> 0. Sedangkan untuk k = 0, persamaan PDF-nya sebagai berikut:
1 𝑥−𝜇 𝑥−𝜇
𝑦 = 𝑓 𝑥 𝑘, 𝜇, 𝜎 = 𝑒𝑥𝑝 −𝑒𝑥𝑝 − −
𝜎 𝜎 𝜎
Metode distribusi GEV membangkitkan fungsi PDF berdasarkan pola distribusi data
mengikuti tiga kemungkinan parameter bentuk (k), dan membantu dalam menentukan
pola distribusi yang sesuai dengan data yang dianalisis. Ketiga kemungkinan nilai
parameter bentuk tersebut mengikuti tiga tipe kasus berdasarkan tiga kemungkinan fungsi
distribusi, yaitu:
1) Tipe I, jika nilai parameter bentuk k = 0, dimana terdapat ekor (tails) dari
distribusi menurun secara eksponensial.
2) Tipe II, jika nilai parameter bentuk k > 0, dimana tails menurun secara
polinomial, dan
3) Tipe III, jika nilai parameter bentuk k < 0, dimana tails bersifat terbatas (finite).
Dalam praktiknya, ketiga tipe tersebut, yaitu tipe I, II dan III seringkali dikaitkan dengan
tiga tipe distribusi, yaitu distribusi Gumbel, Frechet, dan Weibull, masing-masing secara
berurutan.
Di dalam kajian ini juga dihitung pendugaan nilai periode ulang yang berkaitan dengan
data curah hujan harian maksimum tahunan menggunakan metode GEV. Nilai periode
ulang (return period, T) merupakan fungsi dari nilai quantile (QT) yang diasosiasikan
dengan nilai peluang terlampaui dari suatu batas nilai tertentu. Sehingga, periode ulang
(T) dinyatakan sebagai:
1
𝑇 =
(1 − 𝐹 𝑄! )
dimana F(QT) menyatakan nilai peluang kumulatif (CDF) pada quantile QT.
17
Metode penentuan ambang batas ini merupakan salah satu dari beberapa metode yang
dapat digunakan untuk mengidentifikasi kejadian iklim ekstrim dengan hanya
mengandalkan data iklim tanpa melihat keterkaitannya dengan data bencana.
18
3 KONDISI IKLIM HISTORIS
3.1 IKLIM HISTORIS DI NTT
3.1.1 Kondisi Klimatologi

3.1.1.1 Pola Curah Hujan
Wilayah Nusa Tenggara Timur secara umum merupakan wilayah yang dominan beriklim
kering, dimana dalam setahun musim hujan berlangsung selama 4 bulan (November –
Maret), dan musim kemarau berlangsung selama 8 bulan (April – Oktober). Berdasarkan
pola hujan, wilayah Nusa Tenggara Timur termasuk dalam pola monsunal, yang dicirikan
oleh bentuk pola hujan yang bersifat unimodal (satu puncak musim hujan, yaitu pada
Januari atau Februari). Musim hujan dan musim kemarau di Nusa Tenggara Timur terjadi
seiring dengan bertiupnya monsun secara periodik, yaitu monsun Asia (Desember-
Januari-Februari) dan monsun Australia (Juni-Juli-Agustus). Awal musim hujan tercepat
terjadi di Ruteng – Manggarai, yaitu pada September III, sedangkan awal musim hujan
terlambat terjadi di Waingapu – Sumba Timur dan Larantuka – Flores Timur, yaitu pada
Desember II. Curah hujan tahunan tertinggi terjadi di Ruteng-Manggarai (3500 – 4000
mm), sedangkan curah hujan tahunan terendah terjadi di Lewoleba-Lembata (500 – 1000
mm).
Gambar 3-1 menunjukkan peta klimatologi curah hujan bulanan selama 30 puluh tahun
yang dihitung dari data curah hujan CHIRPS yang sudah dikoreksi dengan data curah
hujan hasil pengamatan di beberapa stasiun iklim di NTT. Dari gambar tersebut, tampak
jelas bahwa curah hujan di NTT secara umum memiliki pola curah hujan musiman
dengan periode musim hujan mulai dari November hingga Maret atau April. Beberapa
wilayah di NTT memiliki curah hujan musiman yang relative lebih tinggi dibandingkan
wilayah lainnya.
19
Gambar 3-1 Klimatologi curah hujan bulanan selama 30 tahun periode 1981-2010 berdasarkan
data CHIRPS v1.7 yang telah divalidasi dan dikoreksi dengan data curah hujan
stasiun.
Berdasar hasil analisis BMKG, wilayah Nusa Tenggara Timur terklasifikasi menjadi 23
zona musim (ZOM 241 – 263). Sementara itu berdasarkan analisis tipe iklim Scmidt-
Ferguson, diketahui bahwa 70% wilayah di Nusa Tenggara Timur adalah beriklim agak
kering dan kering (Tipe E dan F). Zona Musim (ZOM) adalah daerah yang pola hujan
rata-ratanya memiliki perbedaan yang jelas antara periode musim kemarau dan musim
hujan. Luas suatu wilayah ZOM tidak selalu sama dengan luas suatu wilayah administrasi
pemerintahan. Dengan demikian, satu wilayah ZOM bisa terdiri dari beberapa kabupaten,
dan sebaliknya satu wilayah kabupaten bisa terdiri dari beberapa ZOM.
20
Gambar 3-2 Pengelompokan tipe hujan berdasarkan hasil analisis cluster terhadap data curah
hujan dari 102 stasiun hujan di NTT; a) Peta sebaran lokasi stasiun hujan
berdasarkan kelompok tipe hujan hasil analisis cluster, dan b) pola curah hujan
musiman (klimatologi) berdasarkan rataan bulanan data hujan untuk masing-masing
kelompok cluster.
a) Sebaran stasiun hujan ditandai dengan pola hujan hasil analisis cluster
b) Pola curah hujan rata-rata dari rataan hujan di stasiun pada masing-masing
cluster
Hasil analisis cluster yang dilakukan dalam kajian ini dengan menggunakan data hujan
rata-rata bulanan dari 102 stasiun di NTT menunjukkan enam kelompok pola hujan
musiman (Gambar 3-2). Hasil ini merupakan update dari analisis yang pernah dilakukan
Boer dan Faqih (2011) yang menggunakan pendekatan analisis yang sama dengan
menggunakan curah hujan rata-rata bulanan dari 95 stasiun. Hasil analisis Boer dan Faqih
(2011) tersebut membagi menjadi empat kelompok pola hujan, dimana data curah hujan
21
dari Sabu Raijua dan beberapa wilayah lainnya belum dimasukkan dalam analisis.
Pembaharuan yang dilakukan dalam kajian ini dilakukan dengan penambahan jumlah
stasiun termasuk di Sabu Raijua dan juga dengan penambahan jumlah rekam data pada
sebagian stasiun hujan untuk meningkatkan kualitas analisis.
Hasil analisis cluster menunjukkan bahwa stasiun hujan di wilayah Kabupaten Manggarai
memiliki pola curah hujan dengan karakteristik hujan rata-rata yang paling tinggi
dibandingkan dengan wilayah lain (Cluster 6). Panjang musim kemarau di kelompok
tersebut juga relative lebih pendek dan lebih basah dibandingkan dengan di kelompok
pola hujan yang lain). Cluster 1 merupakan kelompok stasiun yang memiliki pola hujan
yang paling kering dibandingkan dengan pola hujan lainnya. Kelompok ini mencakup
curah hujan di bagian utara Sumba Timur dan juga di beberapa bagian di Pulau Flores,
Pulau Lembata dan bagian timur Pulau Alor. Wilayah Sabu Raijua masuk ke kelompok
pola curah hujan Cluster 5 yang memiliki pola curah hujan rata-rata pada musim hujan
tidak lebih dari 300 mm dan dengan lama musim kemarau sekitar 8 bulan.
3.1.1.2 Pola Suhu Udara
Berdasarkan peta suhu pada Gambar 3-3 yang dibuat dari data bangkitan suhu sebagai
fungsi dari ketinggian, suhu udara rata-rata di NTT cenderung bervariasi antara wilayah
dataran rendah hingga dataran tinggi. Secara umum rentang suhu udara rata-rata tahunan
di NTT berkisar antara 19 hingga 28 ◦C. Berdasarkan perbandingan antara data
pengamatan suhu di tiga wilayah kajian, temperatur udara rata-rata tahunan tertinggi
terjadi di Tardamu-Sabu Raijua (27,8 ◦C), sedangkan temperatur udara rata-rata tahunan
terendah terjadi di Ruteng-Manggarai (19,9 ◦C).
Gambar 3-3 Suhu udara rata-rata 30 tahunan di NTT periode baseline 1981-2010. Interpolasi
data suhu disusun mengikuti fungsi lapse rate.
22
3.1.2 Keragaman Iklim dan Pengaruh El Nino-Southern Oscillation (ENSO)
Fenomena global El Nino dan La Nina atau yang dikenal sebagai kejadian El Nino-
Southern Oscillation (ENSO) merupakan salah satu faktor dominan yang mempengaruhi
keragaman iklim di Indonesia, termasuk di wilayah Nusa Tenggara Timur. Fenomena El
Nino biasanya berasosiasi dengan kejadian kemarau panjang atau kekeringan karena
terjadi penurunan curah hujan jauh di bawah normal selama musim hujan. Sementara La
Nina biasanya berasosiasi dengan kejadian musim hujan yang panjang dan berdampak
banjir karena kenaikan curah hujan jauh di atas normal. Hasil analisis Geru (2013)
terhadap beberapa daerah di Nusa Tenggara Timur, menunjukkan bahwa sebagian besar
wilayah rentan terhadap pengaruh El Nino dan La Nina, dimana pada saat musim hujan
yang bersamaan dengan tahun kejadian El Nino, dampak yang diakibatkan antara lain;
awal musim hujan umumnya terlambat/mundur 1-6 dasarian dari normalnya, periode
musim hujan menjadi lebih pendek, dan curah hujan umumnya di bawah normal (BN).
Sedangkan pada saat musim hujan yang bersamaan dengan dengan tahun kejadian La
Nina, dampak yang diakibatkan antara lain, awal musim hujan umumnya lebih
cepat/maju 1–4 dasarian dari normalnya, periode musim hujan menjadi lebih panjang,
dan curah hujan umumnya di atas normal (AN). Hasil penelitian tersebut sesuai dengan
Tjasyono (2004), yang menyimpulkan bahwa pengaruh ENSO kuat pada daerah yang
dipengaruhi oleh sistem monsun (Sumatera bagian selatan, Jawa, Bali, Nusa Tenggara
dan sebagian besar kawasan Indonesia bagian timur; lemah pada daerah dengan system
ekuatorial (Sumatera bagian tengah, Kalimantan bagian tengah dan daerah-daerah yang
dilalui khatulistiwa); dan tidak jelas pada daerah dengan sistem lokal (Maluku).
Gambar 3-4 Peta koefisien korelasi (a-b) dan koefisien regresi (c-d) antara anomaly curah hujan
bulanan dengan indeks anomali suhu permukaan laut di wilayah Nino-3.4. Data
curah hujan menggunakan data TRMM (kiri) dan data CHIRPS yang telah
dikoreksi (kanan). Data indeks Nino-3.4 dihitung dengan menggunakan data SPL
ERSST versi 3b.
a) Spatial Correlations (TRMM, 1998-2011) b) Spatial Correlations (CHIRPS, 1981-2010)
c) Spatial Regressions (TRMM, 1998-2011) d) Spatial Regressions (CHIRPS, 1981-2010)
23
Gambar 3-3 menunjukkan peta korelasi spasial dan nilai koefisien regresi (slope) antara
data indeks ENSO di wilayah Nino-3.4 dengan data anomali curah hujan masing-masing
berasal dari data TRMM (Gambar 3-4 a dan c) dan CHIRPS (Gambar 3-4 b dan d). Peta
korelasi tersebut menunjukkan bahwa hampir seluruh wilayah memiliki keragaman curah
hujan yang berkaitan dengan ENSO ditandai dengan nilai korelasi negatif. Nilai korelasi
negatif menunjukkan bahwa saat terjadi peningkatan (penurunan) indeks ENSO di
wilayah Nino-3.4 yang menunjukkan kejadian El Nino (La Nina), terjadi pula penurunan
(peningkatan) curah hujan di NTT.
Sensitifitas tiap wilayah dalam merespon kejadian ENSO relatif beragam. Berdasarkan
peta korelasi pada Gambar 3-4a dapat dilihat bahwa curah hujan di wilayah daratan dan
lautan memiliki korelasi negatif sekitar 0,4-0,5 dengan nilai korelasi terlihat lebih tinggi
di wilayah lautan. Pengaruh ENSO yang juga ditemukan terhadap keragaman curah hujan
di lautan –selain di daratan- menunjukkan bahwa kejadian ENSO memiliki pengaruh
terhadap anomali iklim di wilayah lautan di sekitar NTT. Anomali iklim di wilayah
lautan lokal akibat ENSO dapat mempengaruhi kegiatan masyarakat terutama yang
menggantungkan pencaharian hidup mereka dari lautan. Dengan adanya perubahan iklim,
kejadian anomali iklim yang seringkali berasosiasi dengan kejadian ektrim kemungkinan
akan mengalami peningkatan.
24
Gambar 3-5 Persentase penurunan curah hujan relatif terhadap nilai klimatologi pada bulan
bersangkutan sebagai respon terhadap peningkatan per 1 ◦C indeks anomali suhu
permukaan laut di wilayah Nino-3.4 sebagai indikator terjadinya El Nino. Data
curah hujan menggunakan data TRMM.
25
Gambar 3-6 Persentase penurunan curah hujan relatif terhadap nilai klimatologi pada bulan
bersangkutan sebagai respon terhadap peningkatan per 1 ◦C indeks anomali suhu
permukaan laut di wilayah Nino-3.4 sebagai indikator terjadinya El Nino. Data
curah hujan menggunakan data CHIRPS yang telah dikoreksi.
Gambar 3-5 dan 3-6 menunjukkan besaran persentase penyimpangan curah hujan sebagai
respon dari penyimpangan indeks ENSO yang dibandingkan secara relatif terhadap nilai
rata-rata setiap bulannya. Peningkatan persentase penyimpangan terlihat dominan di
musim kemarau dan transisi, yaitu sekitar Mei hingga Oktober. Pada bulan-bulan tersebut
persentase penyimpangan curah hujan akibat ENSO dapat mencapai lebih dari 100% dari
nilai rata-rata curah hujan pada masing-masing bulan tersebut. Oleh karena itu, kejadian
ENSO seperti El Nino akan berpengaruh cukup besar terhadap berkurangnya curah hujan,
sehingga dapat menyebabkan kekeringan. Pada Gambar 3-5 terlihat bahwa persentase
penyimpangan curah hujan lebih dominan terjadi di lautan dibandingkan di daratan.
3.1.3 Perubahan Iklim

Pada beberapa tahun belakangan ini, secara pintas dapat dirasakan perubahan perilaku
iklim yang tidak menentu di sebagian besar Nusa Tenggara Timur. Dampak yang paling
26
dirasakan adalah penyimpangan pola hujan dari normalnya. Awal musim hujan umumnya
mundur, sering terjadi periode kering (dry spell) atau jeda hujan (season break), curah
hujan bertambah tinggi, namun periode musim hujan semakin pendek, serta sering terjadi
hujan yang cukup tinggi pada musim kemarau. Hasil analisis data series temperatur udara
dan curah hujan bulanan pada 8 (delapan) Stasiun Meteorologi dan Klimatologi di Nusa
Tenggara Timur menunjukkan bahwa pada umumnya temperatur udara dan curah hujan
bulanan mengalami tren kenaikan; suhu udara bertambah panas dan akumulasi hujan
bulanan bertambah banyak, kecuali di Baa – Rote Ndao, temperatur udara dan curah
hujan bulanan mengalami tren penurunan (Geru, 2013). Sementara itu Pujiono (2013)
dalam kajian Tingkat Kerentanan Air di DAS Kambaniru-Sumba Timur, mengemukakan
bahwa di sekitar DAS Kambaniru telah terjadi kenaikan temperatur udara rata-rata dan
penurunan curah hujan selama 40 tahun terakhir (1973 – 2012), dan berdasarkan
pendekatan spasial, bagian tengah dan hilir DAS Kambaniru termasuk kategori tingkat
kerentanan tinggi, sedangkan di bagian hulu memiliki tingkat kerentanan sedang.
Gambar 3-7 Trend dasawarsa dari curah hujan tahunan di NTT, dihitung berdasarkan data 30-
tahunan dengan interval setiap 10 tahun dalam rentang periode 1901-2010. Data
jangka panjang diperoleh dari hasil rekonstruksi data curah hujan dari 102 stasiun
iklim dikombinasikan dengan data curah hujan bulanan global dari WCRP GPCC
sebagaimana dijelaskan pada Subbagian 3.2.2.
27
3.1.3.1 Perubahan Curah Hujan
Analisis data historis menunjukkan bahwa telah terjadi perubahan pada berbagai unsur
iklim, salah satunya yaitu curah hujan. Selain adanya perubahan jangka panjang yang
ditunjukkan oleh tren, data curah hujan juga memiliki karakteristik pola siklus decadal
yang kuat. Gambar 3-7 menunjukkan perubahan curah hujan dalam rentang waktu
decadal dimana nilai tren curah hujan setiap 30 tahun dengan rentang interval 10 tahunan
menunjukkan trend yang berubah-ubah. Selama lebih dari 100 tahun terkakhir, tren
penururunan curah hujan paling besar dan merata hampir di seluruh wilayah NTT terjadi
pada periode tahun 1941-1970.Sementara untuk periode lainnya arah tren curah hujan
cenderung menunjukkan perbedaan antar wilayah di NTT. Dalam periode beberapa
dasawarsa terakhir (periode 1971-2000 dan periode 1981-2010), tren curah hujan
cenderung positif di sebagian besar wilayah di Pulau Timor dan beberapa bagian di pulau
Sumba. Sementara itu, di Pulau Flores cenderung menunjukkan tren penurunan curah
hujan, khususnya pada periode 1971-2000. Hal tersebut kemungkinan terjadi karena pada
periode yang sama telah terjadi beberapa kali kejadian El Nino yang cukup kuat yang
menyebabkan penurunan penerimaan curah hujan di NTT, khususnya di Pulau Flores.
3.1.4 Kejadian Iklim Ekstrim

Gangguan iklim di wilayah Nusa Tenggara Timur yang sering terjadi pada saat musim
hujan adalah jeda hujan atau dry spell. Sebagai contoh pada musim hujan 2013/2014
terjadi long dry spell pada bulan Januari - Februari 2014 di beberapa wilayah di Nusa
Tenggara Timur, antara lain Malaka, Timor Tengah Selatan, Lembata, Flores Timur,
Sikka, Ende, Nagekeo, Manggarai Timur, dan Sumba Timur. Pada rentang waktu musim
hujan tersebut tersebut hujan tidak turun sama sekali pada Januari hingga Februari 2014
sehingga berdampak pada kekeringan tanaman semusim dan gagal panen. Disamping itu,
pengaruh curah hujan ekstrim juga dapat mempengaruhi kegitatan masyarakat dan
berpotensi menyebabkan banjir.
3.1.4.1 Maksimum curah hujan tahunan
Gambar 3-8 menunjukkan peta nilai rataan dan simpangan baku dari curah hujan harian
maksimum tahunan di setaip wilayah grid data TRMM di wilayah NTT. Gambar tersebut
menunjukkan bahwa nilai rata-rata curah hujan harian maksimum tahunan berbeda untuk
tiap wilayah, dengan nilai rata-rata terendah berada di wilayah bagian barat berbatasasn
dengan Timor Leste, sementara nilai rata-rata tertinggi terdapat di sekitar wilayah
Manggarai di Pulau Flores. Uniknya, nilai akumulasi curah hujan harian dari 1 hingga 4
harian menunjukkan peningkatan nilai rata-rata maksimum yang tidak terlalu besar
dibandingkan dengan nilai kumulatif curah hujan selama 5-harian. Berdasarkan peta
tersebut juga dapat diketahui bahwa wilayah Manggarai di Pulau Flores merupakan
wilayah yang menerima nilai curah hujan maksimum tahunan yang paling tinggi
dibandingkan dengan wilayah lainnya di NTT.
28
Gambar 3-9 secara khusus menunjukkan sebaran nilai curah hujan harian maksimum
tahunan setiap tahunnya di wilayah NTT, mulai dari tahun 1981 hingga tahun 2007. Dari
Gambar tersebut, wilayah Manggarai termasuk wilayah yang paling sering mengalami
curah hujan ekstrim, hal ini juga ditemukan pada wilayah lainnya khususnya di sebagian
wilayah di Pulau Sumba.
3.1.4.2 Ambang batas curah hujan ekstrim
Kejadian curah hujan ekstrim dapat diidentifikasi dari penentuan nilai curah hujan harian
maksimum tahunan. Berdasarkan batasan nilai percentile untuk empat kategori ekstrim,
yaitu dengan threshold pada 80th, 90th, 95th dan 99th percentile diperoleh peta spasial pada
masing-masing ambang batas CH ekstrim. Masing masing threshold secara berturut-turut
merepresentasikan kejadian ekstrim dengan periode ulang 5, 10, 20 dan 100 tahunan.
Peta distribusi nilai threshold CH ekstrim tersebut disajikan pada Gambar 3-10. Dari
gambar tersebut, nampak bahwa wilayah Kabupaten Manggarai memiliki nilai threshold
yang relatif lebih tinggi dibandingkan dengan wilayah lain. Nilai ambang batas di
wilayah tersebut dapat mencapai >200 mm bahkan pada ambang batas yang paling
rendah dengan periode ulang 5 tahunan (80th percentile).
Sebagai tambahan informasi, dari distribusi data curah hujan maksimum tersebut juga
dihitung nilai threshold curah hujan pada 1st percentile, 5th percentile, 10th percentile dan
20th percentile. Nilai ambang batas ini merepresentasikan nilai curah hujan maksimum
pada ambang batas yang relatif rendah untuk menunjukkan peluang curah hujan yang
dibawah nilai ambang batas tersebut. Diasumsikan bahwa tahun-tahun yang memiliki
curah hujan maksimum yang relatif rendah dapat menjadi indikasi bahwa tahun tersebut
relative memiliki intensitas curah hujan yang rendah. Nilai ambang batas untuk bagian ini
disajikan pada Gambar 3-11.
29
Gambar 3-8 Peta nilai rataan dan simpangan baku curah hujan maksimum tahunan di NTT untuk
akumulasi hujan selama 1 hingga 5 hari.
30
Gambar 3-9 Curah hujan harian maksimum tahunan pada tahun 1981-2007 (a-aa) berdasarkan
data Aphrodite.
31
Gambar 3-10 Ambang batas curah hujan ekstrim basah (dalam milimeter, mm) berdasarkan
batasan nilai percentile: a) 80th percentile, b) 90th percentile, c) 95th percentile, and
d) 99th percentile.
Gambar 3-11 Ambang batas curah hujan ekstrim kering (dalam milimeter, mm) berdasarkan
batasan nilai percentile: a) 1th percentile, b) 5th percentile, c) 10th percentile, and d)
20th percentile.
32
3.2 IKLIM HISTORIS DI KABUPATEN MANGGARAI

3.2.1.1 Profil Temperatur Udara
Hasil analisis suhu udara rata-rata bulanan selama 20 tahun (1994-2013) menunjukkan
pola suhu musiman dengan nilai tertinggi terjadi pada bulan November (21,2 oC),
sedangkan suhu udara rata-rata terendah terjadi pada bulan Juli (18,4 oC). Suhu udara
maximum bulanan tertinggi terjadi pada bulan Oktober (26,2 oC), sedangkan temperatur
udara maximum terendah terjadi pada bulan Februari (23,8 oC). Temperatur udara
minimum bulanan tertinggi terjadi pada bulan Januari (17,0 oC), sedangkan temperatur
udara minimum terendah terjadi pada bulan Agustus (12,4 oC; Gambar 3-12).
Gambar 3-12 Klimatologi suhu udara rata-rata, suhu maksimum dan suhu minimum bulanan
berdasarkan data pengamatan di stasiun Ruteng, Maggarai periode 1994-2013
Gambar 3-13 Klimatologi curah hujan bulanan berdasarkan data pengamatan di stasiun Ruteng,
Maggarai periode 1994-2013
33
3.2.1.2 Profil Curah Hujan
Sebagaimana telah disebutkan sebelumnya, pola curah hujan di NTT mengikuti pola
monsunal, termasuk juga pola curah hujan di Kabupaten Manggarai (Gambar 3-13).
Rata-rata curah hujan bulanan tertinggi selama 20 tahun (1994-2013) di Stasiun Ruteng-
Manggarai terjadi pada bulan Maret (514 mm), sementara rata-rata curah hujan bulanan
terendah terjadi pada bulan Agustus (45 mm). Musim hujan berlangsung dari September
III – Mei III (25 dasarian), sedangkan musim kemarau berlangsung dari Juni I –
September II (11 dasarian).
3.2.2 Keragaman Iklim

Kabupaten Manggarai memiliki keragaman curah hujan yang dipengaruhi oleh faktor
pengendali keragaman iklim global seperti ENSO. Anomali curah hujan di Kabupaten
Manggari berkaitan erat dengan kondisi penyimpangan anomali SPL di kawasan Pasifik
Timur dan Tengah. Gambar 3-14 menunjukkan peta korelasi spasial antara data anomaly
curah hujan wilayah di Kabupaten Manggarai dengan data anomali suhu permukaan laut
di Indo-Pasifik mencakup Samudera Hindia, Perairan Indonesia dan Samudera Pasifik
dengan jeda waktu hingga 5 bulan sebelumnya. Peta tersebut secara jelas menunjukkan
adanya nilai korelasi negatif yang signifikan (ditunjukkan oleh warna orange) di kawasan
tengah Samudera Pasifik tropis yang menunjukkan adanya keterkaitan pengaruh ENSO
dengan anomali curah hujan di Kabupaten Manggarai.
Korelasi yang kuat nampak hingga jeda waktu 3-4 bulan yang berarti bahwa informasi
data anomali SPL di wilayah Pasifik tengah dapat digunakan untuk memprediksi curah
hujan di Kabupaten Manggarai hingga 3-4 bulan ke depan. Jeda waktu yang cukup lama
ini cukup potensial untuk pengembangan model prediksi iklim musiman yang dapat
dimanfaatkan sebagai bagian dari informasi iklim yang digunakan untuk perencanaan
jangka pendek/musiman seperti untuk penetuan kalendar dan pola tanam khususnya
untuk menghindari kondisi iklim ekstrim.
34
Gambar 3-14 Korelasi spasial antara data anomali curah hujan wilayah di Kabupaten Manggarai
dengan anomali suhu permukaan laut (ASPL) di kawasan Samudera Hindia dan
Pasifik periode 1981-2010 dengan jeda waktu 0-5 bulan. Data curah hujan
menggunakan data CHIRPS v1.7 yang telah divalidasi dan dikoreksi dengan data
curah hujan stasiun. Data ASPL dihitung dari data ERSST v3b.

3.2.3.1 Tren Temperatur Udara Rata-Rata
Analisis temperatur udara rata-rata selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren turun, dengan laju penurunan sebesar 0,0032 ◦C per-tahun
(Gambar 3-15). Temperatur udara rata-rata tertinggi terjadi pada Maret 1996 (22,4 ◦C),
sedangkan temperatur udara rata-rata terendah terjadi pada Juni 2011 (17,3 ◦C).
Gambar 3-15 Tren suhu udara rata-rata tahunan di Stasiun Ruteng, Manggarai dengan
menggunakan data pada periode 1994-2013.
35
3.2.3.2 Tren Temperatur Udara Maximum
Analisis temperatur udara maximum selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren naik, dengan laju kenaikan sebesar 0,027 ◦C per-tahun
(Gambar 3-16). Temperatur udara maximum bulanan tertinggi terjadi pada Oktober 2002
(27,7 ◦C), sedangkan temperatur udara maximum terendah terjadi pada Januari 2010
(22,3 ◦C).
Gambar 3-16 Tren suhu udara maksimum tahunan di Stasiun Ruteng, Manggarai dengan
3.2.3.3 Tren Temperatur Udara Minimum

Analisis temperatur udara minimum selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren menurundengan laju 0,011 ◦C/tahun (Gambar 3-17).
Temperatur udara minimum tertinggi terjadi pada Januari 2013 (18,5 ◦C), sedangkan
temperatur udara minimum terendah terjadi pada Juli 1994 dan Agustus 2004 (10,5 ◦C).
Gambar 3-17 Tren suhu udara minimum tahunan di Stasiun Ruteng, Manggarai dengan
36
3.2.3.4 Tren Curah Hujan Tahunan
Analisis curah hujan tahunan selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren naik, dengan laju kenaikan sebesar 23,5 mm per tahun
(Gambar 3-18). Curah hujan bulanan tertinggi terjadi pada Maret 1994 (1.029 mm),
sedangkan curah hujan bulanan terendah terjadi pada September 1997, Agustus 2001, Juli
2004, Juli 2007 dan Agustus 2012 (0 mm).
Gambar 3-18 Tren total curah hujan tahunan di Stasiun Ruteng, Manggarai dengan
3.2.3.5 Tren Curah Hujan Musim Hujan

Analisis curah hujan musim hujan selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren naik, dengan laju kenaikan sebesar 39,9 mm per tahun
(Gambar 3-19). Curah hujan tertinggi terjadi pada musim hujan 2010/2011 (4.078 mm),
sedangkan curah hujan terendah terjadi pada musim hujan 2004/2005 (2.335 mm).
Gambar 3-19 Tren total curah hujan musim hujan di Stasiun Ruteng, Manggarai dengan
37
3.2.3.6 Tren Curah Hujan Musim Kemarau
Analisis curah hujan musim kemarau selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren turun, dengan laju penurunan sebesar 11,9 mm per tahun
(Gambar 3-20). Curah hujan tertinggi terjadi pada musim kemarau 1998 (584 mm),
sedangkan curah hujan terendah terjadi pada musim kemarau 2009 (43 mm). Tren
menurun ini kemungkinan akan berubah dalam beberapa periode mendatang. Hal ini
disebabkan karena curah hujan memiliki karakteristik pola siklus dasawarsa yang
dipengaruhi oleh faktor pengendali keragaman iklim frekuensi rendah.
Gambar 3-20 Tren total curah hujan musim kemarau di Stasiun Ruteng, Manggarai dengan
3.2.3.7 Tren Awal Musim Hujan dan Awal Musim Kemarau

Analisis awal musim hujan selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren turun (maju/lebih cepat), dengan laju penurunan sebesar 0,138
dasarian per tahun (Gambar 3-21). Awal musim hujan tercepat terjadi pada musim hujan
2009/2010 (Agustus III), sedangkan awal musim hujan terlambat terjadi pada musim
hujan 1994/1995, 2002/2003 dan 2006/2007 (November I).
Analisis awal musim kemarau selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren naik (mundur/lebih lambat), dengan laju kenaikan sebesar
0,184 dasarian per tahun. Awal musim kemarau tercepat terjadi pada musim kemarau
2005 (April II), sedangkan awal musim kemarau terlambat terjadi pada musim kemarau
2013 (Juli I).
38
Gambar 3-21 Tren awal musim hujan dan awal musim kemarau di Stasiun Ruteng, Manggarai
dengan menggunakan data pada periode 1994-2013.
Gambar 3-22 Tren panjang musim hujan dan panjang musim kemarau di Stasiun Ruteng,
Manggarai dengan menggunakan data pada periode 1994-2013.
3.2.3.8 Tren Panjang Musim Hujan dan Musim Kemarau

Analisis panjang musim hujan selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren naik (bertambah panjang), dengan laju kenaikan sebesar 0,331
dasarian per tahun (Gambar 3-22). Panjang musim hujan tertinggi terjadi pada musim
hujan 2010/2011 (28 dasarian), sedangkan panjang musim hujan terpendek terjadi pada
musim hujan 2004/2005 dan 2006/2007 (17 dasarian).
Analisis panjang musim kemarau selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren turun (bertambah pendek), dengan laju penurunan sebesar
39
0,233 dasarian per tahun. Panjang musim kemarau tertinggi terjadi pada musim kemarau
2002 (18 dasarian), sedangkan panjang musim kemarau terpendek terjadi pada musim
kemarau 2010 (8 dasarian).

3.2.4.1 Tren Kecepatan Angin Maximum
Analisis kecepatan angin maximum selama 20 tahun (1994-2013) di Ruteng-Manggarai
menunjukkan adanya tren penururun (berkurang kecepatannya; Gambar 3-23). Kecepatan
angin maximum tertinggi terjadi pada Desember 1996 (74 km/jam), sedangkan kecepatan
angin maximum terendah terjadi pada Juni 2013 (13 km/jam). Berdasarkan hasil
perhitungan anomali, terdapat beberapa kali nilai anomali angin maksimum yang cukup
tinggi, yaitu pada tahun 1994, 1996, 2007 dan 2013. Pada tahun tersebut, nilai anomali
mencapai lebih dari 30 km/jam.
Gambar 3-23 Tren anomali kecepatan angin bulanan maksimum di Stasiun Ruteng, Manggarai
dengan menggunakan data pada periode 1994-2013. Siklus musiman dari data
dihilangkan.
3.2.4.2 Tren Frekuensi Kejadian Curah Hujan Harian ≥ 50 mm

Analisis frekuensi kejadian curah hujan harian ≥ 50 mm selama 20 tahun (1994-2013) di
Ruteng-Manggarai menunjukkan adanya tren naik (bertambah frekuensinya), dengan laju
kenaikan 0,395 per tahun (Gambar 3-24). Frekuensi kejadian curah hujan ≥ 50 mm per
hari tertinggi terjadi pada tahun 1998 (30 kejadian), sedangkan frekuensi kejadian
terendah terjadi pada tahun 1996 dan 2004 (6 kejadian).
40
Gambar 3-24 Tren frekuensi curah hujan harian melampaui 50 mm di Stasiun Ruteng, Manggarai
dengan menggunakan data pada periode 1994-2013
3.2.4.3 Tren Frekuensi Kejadian Kecepatan Angin Maximum ≥ 45 km/jam

Analisis frekuensi kejadian kecepatan angin maximum ≥ 45 km/jam selama 20 tahun
(1994-2013) di Ruteng-Manggarai menunjukkan adanya tren turun (berkurang
frekuensinya), dengan laju penurunan 0,077 per tahun (Gambar 3-25). Frekuensi kejadian
kecepatan angin maximum harian ≥ 45 km/jam tertinggi terjadi pada tahun 2001 dan
2008 (8 kejadian), sedangkan frekuensi kejadian terendah terjadi pada tahun 1998, 1999,
2006 dan 2012 (tidak ada kejadian).
Gambar 3-25 Tren frekuensi kecepatan angin melampaui 45 km/jam di Stasiun Ruteng,
Manggarai dengan menggunakan data pada periode 1994-2013
41
3.3 IKLIM HISTORIS DI KABUPATEN SABU RAIJUA

Temperatur udara rata-rata bulanan tertinggi selama 32 tahun (1982-2013) di Tardamu-
Sabu Raijua terjadi pada bulan November (29,3 oC), sedangkan temperatur udara rata-
rata terendah terjadi pada bulan Agustus (26,3 oC). Temperatur udara maximum bulanan
tertinggi terjadi pada bulan Oktober (33,1 oC), sedangkan temperatur udara maximum
terendah terjadi pada bulan Februari (30,4 oC). Temperatur udara minimum bulanan
tertinggi terjadi pada bulan November (24,5 oC), sedangkan temperatur udara minimum
terendah terjadi pada bulan Agustus (21,8 oC; Gambar 3-26).
berdasarkan data pengamatan di stasiun Tardamu, Sabu Raijua periode 1982-2013
Gambar 3-27 Klimatologi curah hujan bulanan berdasarkan data pengamatan di stasiun Tardamu,
Sabu Raijua periode 1982-2013
42
Rata-rata curah hujan bulanan tertinggi selama 32 tahun (1982-2013) di Tardamu-Sabu
Raijua terjadi pada bulan Januari (299 mm), sementara rata-rata curah hujan bulanan
terendah terjadi pada bulan Agustus (0 mm). Musim hujan berlangsung dari Desember I –
Maret II (11 dasarian), sedangkan musim kemarau berlangsung dari Maret III –
November III (25 dasarian; Gambar 3-27).

Keragaman curah hujan di Kabupaten Sabu Raijua dipengaruhi oleh faktor pengendali
keragaman iklim global seperti ENSO. Anomali curah hujan di Kabupaten Sabu Raijua
berkaitan erat dengan kondisi penyimpangan anomali SPL di kawasan Pasifik Timur dan
Tengah. Gambar 3-28 menunjukkan peta korelasi spasial antara data anomaly curah
hujan wilayah di Kabupaten Sabu Raijua dengan data anomali suhu permukaan laut di
Indo-Pasifik mencakup Samudera Hindia, Perairan Indonesia dan Samudera Pasifik
dengan jeda waktu hingga 5 bulan sebelumnya. Peta tersebut secara jelas menunjukkan
adanya nilai korelasi negatif yang signifikan (ditunjukkan oleh warna orange) di kawasan
tengah Samudera Pasifik tropis yang menunjukkan adanya keterkaitan pengaruh ENSO
dengan anomaly curah hujan di Kabupaten Manggarai.
Namun, tidak seperti di Kabupaten Manggarai, korelasi nyata di Samudera Pasifik
Tengah nampaknya hanya sampai jeda waktu 2 bulan. Hal ini berarti bahwa informasi
hujan di Kabupaten Manggarai hingga 2 bulan ke depan. Jeda waktu keterkaitan antara
curah hujan dengan anomaly SPL di Pasifik tersebut masih cukup potensial untuk
pengembangan model prediksi iklim musiman yang dapat dimanfaatkan sebagai bagian
dari informasi iklim yang digunakan untuk perencanaan jangka pendek/musiman seperti
untuk penetuan kalendar dan pola tanam khususnya untuk menghindari kondisi iklim
ekstrim.
43
Gambar 3-28 Korelasi spasial antara data anomali curah hujan wilayah di Kabupaten Sabu Raijua
dengan anomali suhu permukaan laut (ASPL) di kawasan Samudera Hindia dan
Pasifik periode 1981-2010 dengan jeda waktu 0-5 bulan. Data curah hujan

Analisis temperatur udara rata-rata selama 32 tahun (1982-2013) di Tardamu-Sabu Raijua
menunjukkan adanya tren naik, dengan laju kenaikan sebesar 0,0086 ◦C per-tahun
(Gambar 3-29). Temperatur udara rata-rata tertinggi terjadi pada November 2003 dan
November 2009 (30,0 ◦C), sedangkan temperatur udara rata-rata terendah terjadi pada
Agustus 1985 dan Juli 1986 (25,2 ◦C).
44
Gambar 3-29 Tren suhu udara rata-rata tahunan di Stasiun Tardamu, Sabu Raijua dengan

Analisis temperatur udara maximum selama 32 tahun (1982-2013) di Tardamu-Sabu
Raijua menunjukkan adanya tren peningkatan, dengan laju kenaikan sebesar 0,0295 ◦C
per-tahun (Gambar 3-30). Temperatur udara maximum tertinggi terjadi pada Oktober
2008 (34,5 ◦C), sedangkan temperatur udara maximum terendah terjadi pada Januari
1994 dan Februari 1997 (29,2 ◦C).
Gambar 3-30 Tren suhu udara maksimum tahunan di Tardamu, Sabu Raijua dengan

Analisis temperatur udara minimum selama 32 tahun (1982-2013) di Tardamu-Sabu
Raijua menunjukkan adanya tren peningkatan (Gambar 3-31). Temperatur udara
45
minimum tertinggi terjadi pada Desember 1985 (26,0 ◦C), sedangkan temperatur udara
minimum terendah terjadi pada Juli 1994 dan Agustus 2004 (19,6 ◦C).
Gambar 3-31 Tren suhu udara minimum tahunan di Stasiun Tardamu, Sabu Raijua dengan

Analisis curah hujan tahunan selama 32 tahun (1982-2013) di Tardamu-Sabu Raijua
menunjukkan adanya tren naik, dengan laju kenaikan sebesar 4,9 mm per tahun (Gambar
3-32). Curah hujan tahunan tertinggi terjadi pada tahun 2000 (1943 mm), sedangkan
curah hujan tahunan yang cukup rendah terjadi pada 1985 (742 mm), 1993 (689 mm),
dan 2012 (768 mm).
Gambar 3-32 Tren total curah hujan tahunan di Stasiun Tardamu, Sabu Raijua dengan
46
Analisis curah hujan musim hujan selama 32 tahun (1982-2013) di Tardamu-Sabu Raijua
menunjukkan adanya tren naik, dengan laju kenaikan sebesar 2,4 mm per tahun (Gambar
3-33). Curah hujan tertinggi terjadi pada musim hujan 2005/2006 (1.833 mm), sedangkan
curah hujan terendah terjadi pada musim hujan 2004/2005 (283 mm).
Gambar 3-33 Tren total curah hujan musim hujan di Stasiun Tardamu, Sabu Raijua dengan

Analisis curah hujan musim kemarau selama 32 tahun (1982-2013) di Tardamu-Sabu
Raijua menunjukkan adanya tren naik, dengan laju kenaikan sebesar 1,6 mm per tahun
(Gambar 3-34). Curah hujan tertinggi terjadi pada musim kemarau 1993 (356 mm),
sedangkan curah hujan terendah terjadi pada musim kemarau 2002 (18 mm).
Gambar 3-34 Tren total curah hujan musim kemarau di Stasiun Tardamu, Sabu Raijua dengan
47
Analisis awal musim hujan selama 32 tahun (1982-2013) di Tardamu-Sabu Raijua
menunjukkan adanya tren menurun (maju), dengan laju yang tidak signifikan, yaitu
hanya sebesar 0,008 dasarian per tahun (Gambar 3-35). Awal musim hujan tercepat
terjadi pada musim hujan 1998/1999 (Oktober III), sedangkan awal musim hujan
terlambat terjadi pada musim hujan 2004/2005 (Februari I). Berlawanan dengan tren awal
musim hujan, awal musim kemarau pada kurun waktu yang sama menunjukkan adanya
tren peningkatan (mundur/lebih lambat), dengan laju kenaikan sebesar 0,038 dasarian per
tahun. Awal musim kemarau tercepat terjadi pada musim kemarau 1987 dan 1993
(Februari I), sedangkan awal musim kemarau terlambat terjadi pada musim kemarau
2010 (Mei II).
Gambar 3-35 Tren awal musim hujan dan awal musim kemarau di Stasiun Tardamu, Sabu Raijua
dengan menggunakan data pada periode 1982-2013.
Gambar 3-36 Tren panjang musim hujan dan panjang musim kemarau di Stasiun Tardamu, Sabu
Raijua dengan menggunakan data pada periode 1982-2013.
48
Perhitungan panjang musim dilakukan berdasarkan penentuan AMH dan AMK. Analisis
panjang musim hujan selama 32 tahun (1982-2013) di Tardamu-Sabu Raijua
menunjukkan adanya tren naik (bertambah panjang), dengan laju kenaikan sebesar 0,015
dasarian per tahun (Gambar 3-36). Panjang musim hujan tertinggi terjadi pada musim
hujan 1998/1999 dan 2005/2006 (17 dasarian), sedangkan panjang musim hujan
terpendek terjadi pada musim hujan 2004/2005 dan 2006/2007 (4 dasarian).
Untuk panjang musim kemarau, analisis menunjukkan adanya tren menurun (bertambah
pendek), dengan laju penurunan sebesar 0,018 dasarian per tahun. Panjang musim
kemarau tertinggi terjadi pada musim kemarau 1993, 1997 dan 2004 (31 dasarian),
sedangkan panjang musim kemarau terpendek terjadi pada musim kemarau 2010 (20
dasarian).

Analisis kecepatan angin maximum selama hampir 32 tahun (1994-2013) di Tardamu,
Kabupaten Sabu Raijua menunjukkan adanya tren menurun (berkurang kecepatannya)
(Gambar 3-37). Namun demikian, pada periode dari data sebelum tahun 1987 terlihat
adanya trend peningkatan. Di wilayah ini, kecepatan angin maximum tertinggi terjadi
pada Februari 1991 (81 km/jam) dan Januari 1993 (81 km/jam) dan November 1996 (76
km/jam), sedangkan kecepatan angin maximum terendah terjadi pada Maret 2010 dan
2013 (16 km/jam). Berdasarkan hasil perhitungan anomali, terdapat beberapa kali nilai
anomali angin maksimum yang cukup tinggi dengan nilai anomali mencapai lebih dari 30
km/jam. Hal ini tercatat beberapa kali terjadi dalam periode sebelum tahun 2000.
Sementara itu, setelah tahun 2000, nilai anomali dari kecepatan angina maksimum di
Tardamu cenderung menurun drastic mendekati nilai normalnya.
Gambar 3-37 Tren anomali kecepatan angin bulanan maksimum di Stasiun Tardamu, Sabu Raijua dengan
menggunakan data pada periode 1982-2013. Siklus musiman dari data dihilangkan.
49
Tardamu, Sabu Raijua menunjukkan tidak adanya tren yang signifikan (Gambar 3-38).
Frekuensi kejadian curah hujan ≥ 50 mm per hari tertinggi terjadi pada tahun 1983 (8
kejadian), 1984 (9 kejadian) dan 2006 (11 kejadian). Sedangkan pada tahun lainnya
tercatat memiliki jumlah kejadian kurang dari atau sama dengan 6 kejadian per tahun.
Gambar 3-38 Tren frekuensi curah hujan harian melampaui 50 mm di Stasiun Tardamu, Sabu
Raijua dengan menggunakan data pada periode 1982-2013

(1982-2013) di Tardamu, Sabu Raijua menunjukkan adanya tren menurun (berkurang
frekuensinya; Gambar 3-39). Perlu diperhatikan bahwa tren menurun ini mungkin saja
berubah dalam beberapa puluh tahun mendatang. Hal ini disebabkan adanya
kemungkinan tren yang menurun tersebut memiliki pola osilasi dasawarsa akibat adanya
pengaruh variabilitas iklim frekuensi rendah. Pola keragaman dasawarsa yang
mempengaruhi tren dapat terlihat dari data frekuensi pada rentang tahun 1982-1993 yang
menunjukkan tren meningkat dan kemudian menurun pada periode berikutnya.
50
Gambar 3-39 Tren frekuensi kecepatan angin melampaui 45 km/jam di Stasiun Tardamu, Sabu
Raijua dengan menggunakan data pada periode 1982-2013
3.4 IKLIM HISTORIS DI KABUPATEN SUMBA TIMUR

Temperatur udara rata-rata bulanan tertinggi selama 32 tahun (1982-2013) di Waingapu-
Sumba Timur terjadi pada bulan November (28,3 ◦C), sedangkan temperatur udara rata-
rata terendah terjadi pada bulan Juli (24,9 ◦C). Temperatur udara maximum bulanan
tertinggi terjadi pada bulan November (33,2 ◦C), sedangkan temperatur udara maximum
terendah terjadi pada bulan Juli (30,9 ◦C). Temperatur udara minimum bulanan tertinggi
terjadi pada bulan November (24,3 ◦C), sedangkan temperatur udara minimum terendah
terjadi pada bulan Agustus (20,2 ◦C; Gambar 3-40).
51
berdasarkan data pengamatan di stasiun Waingapu, Sumba Timur periode 1982-
2013
Waingapu, Sumba Timur periode 1982-2013

Gambar 3-41 menunjukkan rata-rata curah hujan bulanan tertinggi selama 32 tahun
(1982-2013) di Waingapu-Sumba Timur terjadi pada bulan Februari (170 mm),
sementara rata-rata curah hujan bulanan terendah terjadi pada bulan Agustus (0 mm).
Musim hujan berlangsung dari Desember II – Maret II (10 dasarian), sedangkan musim
kemarau berlangsung dari Maret III – Desember I (26 dasarian).
52
Kabupaten Sumba Timur memiliki keragaman curah hujan yang dipengaruhi oleh faktor
pengendali keragaman iklim global seperti ENSO. Anomali curah hujan di Kabupaten
Sumba Timur berkaitan erat dengan kondisi penyimpangan anomali SPL di kawasan
Pasifik Timur dan Tengah. Gambar 3-42 menunjukkan peta korelasi spasial antara data
anomali curah hujan wilayah tersebut dengan data anomali suhu permukaan laut di Indo-
Pasifik mencakup Samudera Hindia, Perairan Indonesia dan Samudera Pasifik dengan
jeda waktu hingga 5 bulan sebelumnya. Peta tersebut secara jelas menunjukkan adanya
nilai korelasi negatif yang signifikan (ditunjukkan oleh warna orange) di kawasan tengah
Samudera Pasifik tropis yang menunjukkan adanya keterkaitan pengaruh ENSO dengan
anomali curah hujan.
Korelasi yang kuat nampak hingga jeda waktu 3-4 bulan yang berarti bahwa informasi
hujan di Kabupaten Sumba Timur hingga 3-4 bulan ke depan. Jeda waktu yang cukup
lama ini cukup potensial untuk pengembangan model prediksi iklim musiman yang dapat
dimanfaatkan sebagai bagian dari informasi iklim yang digunakan untuk perencanaan
jangka pendek/musiman seperti untuk penetuan kalendar dan pola tanam khususnya
untuk menghindari kondisi iklim ekstrim.
Gambar 3-42 Korelasi spasial antara data anomali curah hujan wilayah di Kabupaten Sumba
Timur dengan anomali suhu permukaan laut (ASPL) di kawasan Samudera Hindia
dan Pasifik periode 1981-2010 dengan jeda waktu 0-5 bulan. Data curah hujan
53
Analisis temperatur udara rata-rata selama 32 tahun (1982-2013) di Waingapu-Sumba
Timur menunjukkan adanya tren naik, dengan laju kenaikan sebesar 0,02 oC per tahun
(Gambar 3-43). Temperatur udara rata-rata tertinggi terjadi pada 1998 (27,4 oC),
sedangkan temperatur udara rata-rata terendah terjadi pada 1985 (25,8 oC).
Gambar 3-43 Tren suhu udara rata-rata tahunan di Stasiun Waingapu, Sumba Timur dengan

Analisis temperatur udara maximum selama 32 tahun (1982-2013) di Waingapu-Sumba
Timur menunjukkan adanya tren menurun dengan laju yang relative kecil yaitu 0,0015 oC
per tahun (Gambar 3-44). Temperatur udara maximum tertinggi terjadi pada tahun 2002
(35,7 oC), sedangkan temperatur udara maximum terendah terjadi pada Februari 2013
(32,3 oC).
Gambar 3-44 Tren suhu udara maksimum tahunan di Waingapu, Sumba Timur dengan menggunakan data pada
periode 1982-2013.
54
Analisis temperatur udara minimum selama 32 tahun (1982-2013) di Waingapu-Sumba
Timur menunjukkan adanya tren menurun, dengan laju penurunan sebesar 0,006 oC per
tahun (Gambar 3-45). Temperatur udara minimum tertinggi terjadi pada Desember 2002
dan Desember 2010 (21,4 oC), sedangkan temperatur udara minimum terendah terjadi
pada tahun 2012 (18,8 oC).
Gambar 3-45 Tren suhu udara minimum tahunan di Stasiun Waingapu, Sumba Timur dengan

Analisis curah hujan tahunan di Waingapu-Sumba Timur menunjukkan adanya tren naik,
dengan laju kenaikan sebesar 6,59 mm per tahun (Gambar 3-46). Curah hujan tahunan
tertinggi terjadi pada tahun 1999 (1400 mm) ketika terjadi peristiwa La Nina. Pengaruh
La Nina tersebut juga berkontribusi terhadap peningkatan total curah hujan tahuan pada
tahun berikutnya, yaitu tahun 2000 (1300mm). Sebaliknya, curah hujan tahunan yang
cukup rendah terjadi pada tahun 1987, 2004 dan 2005 yang bertepatan dengan tahun El
Nino yang sering menyebabkan kekeringan di Indonesia, termasuk juga di NTT.
Gambar 3-46 Tren total curah hujan tahunan di Stasiun Waingapu, Sumba Timur dengan
55
Curah hujan musim hujan di Waingapu-Sumba Timur menunjukkan tren peningkatan,
dengan laju kenaikan sebesar 5,27 mm per tahun (Gambar 3-47). Curah hujan tertinggi
terjadi pada musim hujan 1999/2000 (1.380 mm), sedangkan curah hujan terendah terjadi
pada musim hujan 2004/2005 (57 mm). Hal ini konsisten dengan yang terjadi pada total
curah hujan tahunan sebagaimana telah dibahas sebelumnya.
Gambar 3-47 Tren total curah hujan musim hujan di Stasiun Waingapu, Sumba Timur dengan

Curah hujan musim kemarau di Waingapu-Sumba Timur menunjukkan adanya tren naik,
dengan laju kenaikan sebesar 2,8 mm per tahun (Gambar 3-48). Curah hujan tertinggi
terjadi pada musim kemarau 2010 (830 mm), sedangkan curah hujan terendah terjadi
pada musim kemarau 1988 (39 mm). Dapat dipastikan bahwa curah hujan musim
kemarau yang sangat tinggi pada tahun 2010 disebabkan oleh adanya kejadian La Nina
yang menyebabkan peningkatan curah hujan sepanjang tahun termasuk di musim
kemarau. Pengaruh La Nina tersebut mempengaruhi sebagian besar wilayah di Indonesia.
Gambar 3-48 Tren total curah hujan musim kemarau di Stasiun Waingapu, Sumba Timur dengan
56
Analisis awal musim hujan selama periode 1985-2012 di Waingapu-Sumba Timur
menunjukkan adanya tren turun (maju/lebih cepat), dengan laju penurunan sebesar 0,079
dasarian per tahun (Gambar 3-49). Awal musim hujan tercepat terjadi pada musim hujan
1999/2000 (November II), sedangkan awal musim hujan terlambat terjadi pada musim
hujan 1982/1983 (Februari II). Tren penurunan tersebut juga ditemukan pada data awal
musim kemarau, dengan laju penurunan sebesar 0,020 dasarian per tahun. Awal musim
kemarau tercepat terjadi pada musim kemarau 2005 (Januari I), sedangkan awal musim
kemarau terlambat terjadi pada musim kemarau 2000 (Mei III).
Gambar 3-49 Tren awal musim hujan dan awal musim kemarau di Stasiun Waingapu, Sumba
Timur dengan menggunakan data pada periode 1985-2012.
Gambar 3-50 Tren panjang musim hujan dan panjang musim kemarau di Stasiun Waingapu,
Sumba Timur dengan menggunakan data pada periode 1985-2012.
57
Wilayah Sumba Timur, khususnya di Waingaputermasuk wilayah yang cukup kering. Hal
ini dapat dilihat dari panjang musim hujan yang relatif pendek berkebalikan dengan
panjang musim kemarau yang cukup panjang (Gambar 3-50). Selama periode 1985-2012,
panjang musim hujan di Waingapu-Sumba Timur menunjukkan adanya tren naik
(bertambah panjang), dengan laju kenaikan sebesar 0,0165 dasarian per tahun. Panjang
musim hujan tertinggi terjadi pada musim hujan 1999/2000 (19 dasarian), sedangkan
panjang musim hujan terpendek terjadi pada musim hujan 2004/2005 (1 dasarian).
Sebaliknya, panjang musim kemarau pada kurun waktu yang sama menunjukkan adanya
tren menurun (bertambah pendek), dengan laju penurunan sebesar 0,0129 dasarian per
tahun. Panjang musim kemarau tertinggi terjadi pada musim kemarau 2005 (34
dasarian), sedangkan panjang musim kemarau terpendek terjadi pada musim kemarau
1999 dan 2000 (20 dasarian).

Analisis kecepatan angin maximum selama hampir 32 tahun (1994-2013) di Waingapu,
Kabupaten umba Timur menunjukkan adanya tren menurun yang tidak signifikan
(Gambar 3-51). Di wilayah ini, kecepatan angin maximum tertinggi terjadi pada Februari
1991 (119 km/jam) dan April 1992 (130 km/jam) dan Oktober 1997 (104 km/jam),
sedangkan kecepatan angin maximum terendah terjadi pada beberapa bulan di tahun 1990
dan 1991. Berdasarkan hasil perhitungan anomali, terdapat beberapa kali nilai anomali
angin maksimum yang cukup tinggi dengan nilai anomali mencapai lebih dari 60 km/jam.
Hal ini tercatat beberapa kali terjadi dalam periode sebelum tahun 2000. Sementara itu,
setelah tahun 2000, nilai anomali dari kecepatan angina maksimum di Waingapu
cenderung menurun drastik mendekati nilai normalnya dengan nilai anomali tidak lebih
dari 20 km/jam.
Gambar 3-51 Tren anomali kecepatan angin bulanan maksimum di Stasiun Waingapu, Sumba
Timur dengan menggunakan data pada periode 1982-2013. Siklus musiman dari
data dihilangkan.
58
Waingapu, Sumba Timur menunjukkan tren peningkatan (Gambar 3-52). Frekuensi
kejadian curah hujan ≥ 50 mm per hari tertinggi terjadi pada tahun 1983 (6 kejadian),
1999 (5 kejadian) dan 2011 (5 kejadian). Sedangkan pada tahun lainnya tercatat memiliki
jumlah kejadian kurang dari 5 kejadian per tahun.
Gambar 3-52 Tren frekuensi curah hujan harian melampaui 50 mm di Stasiun Waingapu, Sumba
Timur dengan menggunakan data pada periode 1982-2013

(1982-2013) di Tardamu, Sabu Raijua menunjukkan adanya tren peningkatan (Gambar 3-
53). Akan tetapi jika dilihat dari data 20 tahun terakhir, Nampak adanya tren penurunan.
Perlu diperhatikan bahwa perbedaan tren tersebut disebabkan adanya kemungkinan tren
yang mengikuti pola osilasi dasawarsa akibat adanya pengaruh variabilitas iklim
frekuensi rendah. Frekuensi kejadian angin ekstrim tahunan tersebut tercatat dengan
jumlah paling banyak yaitu pada tahun 1986 dan 1995 dengan jumlah masing-masing 4
kejadian per tahun.
59
Gambar 3-53 Tren frekuensi kecepatan angin melampaui 45 km/jam di Stasiun Waingapu,
Sumba Timur dengan menggunakan data pada periode 1982-2013
60
4 PROYEKSI PERUBAHAN IKLIM
4.1 PROYEKSI PERUBAHAN IKLIM DI NTT
Analisis proyeksi perubahan iklim yang dilakukan dalam kajian ini memanfaatkan data
proyeksi iklim yang diperoleh dari data hasil simulasi model iklim regional (RCM) dan
data keluaran model iklim global (global climate model, GCM). Penjelasan tentang
simulasi RCM dan informasi mengenai model GCM yang digunakan dalam penelitian ini
dapat dilihat pada bagian Metodologi.
4.1.1 Proyeksi Suhu

Proyeksi suhu untuk wilayah NTT dilakukan dengan menggunakan rataan beberapa
model GCM. Selisih suhu udara rata-rata antara periode proyeksi dan periode baseline
digunakan untuk menghitung nilai perubahan suhu yang kemudian digunakan sebagai
faktor penambah pada data observasi. Data hasil tersebut yang kemudian dijadikan
sebagai data proyeksi. Data proyeksi tersebut dihitung untuk empat skenario RCP, yaitu
RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 masing-masing pada tiga periode proyeksi, yaitu
periode tahun 2011-2040, 2041-2070 dan 2071-2100. Hasil proyeksi suhu tersebut dan
perbandingannya dengan data observasi disajikan pada Gambar 4-1.
Gambar 4-1 Suhu udara rata-rata 30 tahunan di NTT pada periode baseline tahun 1981-2010 dan
proyeksi berdasarkan kombinasi beberapa GCM CMIP5 dengan semua skenario
RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 pada tiga periode akan datang,
yaitu 2011-2040, 2041-2070 dan 2071-2100.
61
Dari hasil proyeksi suhu tersebut, secara umum dapat dilihat bahwa perbedaan
peningkatan suhu masih belum terlihat beragam antar skenario pada periode 2011-2040.
Perbedaan antar skenario baru dapat terlihat cukup besar pada periode 2041-2070 dan
2071-2100. Peningkatan suhu berdasarkan skenario RCP8.5 menunjukkan peningkatan
paling tinggi mencapai lebih dari 3◦C pada periode rataan 2071-2100. Pada periode yang
sama, skenario RCP2.6 menunjukkan peningkatan suhu yang paling rendah. Hal ini
disebabkan karena alur perwakilan konsentrasi pada RCP2.6 termasuk yang paling
optimis dalam aspek penurunan gas rumah kaca yang menyebabkan alur nilai radiative
forcing yang relative lebih rendah dibandingkan skenario lainnya. Hal ini tentunya
menyebabkan peningkatan suhu global menjadi tidak sebesar yang diproyeksikan oleh
skenario lain khususnya skenario RCP8.5 yang memiliki alur radiative forcing yang
paling tinggi yaitu sekitar 8.5 Watt/m2 pada tahun 2100 atau setara dengan konsentrasi
GRK >1370 ppm CO2 ekuivalen.
4.1.2 Proyeksi Curah Hujan

4.1.2.1 Hasil Proyeksi Model Iklim Regional
Simulasi model iklim regional dilakukan dengan memanfaatkan data ICBC dari salah
satu GCM, yaitu model CanESM2 berbasis pada skenario perubahan iklim RCP4.5.
Rentang periode simulasi dilakukan mulai dari tahun 1980 hingga tahun 2050 yang
mewakili periode baseline dan proyeksi. Dalam kajian ini periode 1981-2010 dipilih
sebagai periode baseline, sedangkan untuk periode proyeksi digunakan data hasil
simulasi pada periode 2011-2040 dan 2021-2050.
Gambar 4-2 Persentase perubahan curah hujan rata-rata tahunan di NTT pada periode a) 2011-
2040 dan 2021-2050 relatif terhadap periode baseline 1981-2010 berdasarkan
simulasi model iklim regional RegCM4.
a) 2011-2040
b) 2021-2050
62
Gambar 4-3 Persentase perubahan curah hujan rata-rata bulanan di NTT pada periode a) 2011-
2040 dan 2021-2050 relatif terhadap periode baseline 1981-2010 berdasarkan
simulasi model iklim regional RegCM4.
a) 2011-2040
b) 2021-2050
63
Gambar 4-2a dan 4-2b masing-masing menunjukkan nilai persentase perubahan curah
hujan rata-rata tahunan pada kedua periode proyeksi yang dihitung relatif terhadap data
curah hujan klimatologi pada periode baseline. Dari kedua gambar tersebut terlihat jelas
bahwa proyeksi dari RCM menunjukkan adanya kemungkinan penurunan curah hujan
rata-rata tahunan di sebagian besar wilayah di NTT kecuali pada sebagian kecil wilayah
di bagian barat Sumba Timur yang menunjukkan persentase peningkatan. Kecenderungan
curah hujan yang semakin berkurang dapat memberikan indikasi adanya potensi
kekeringan yang semakin besar di sebagian besar wilayah NTT yang dapat mengancam
berbagai aktifitas kehidupan yang bergantunga pada ketersediaan air, seperti pada sektor
pertanian dan sumberdaya air.
Akan tetapi, perlu diperhatikan bahwa hasil proyeksi dari RCM ini hanya berlandaskan
pada hasil downscaling dari satu model GCM saja. Oleh karena itu analisis lebih lanjut
akan diberikan dengan memanfaatkan statistical downscaling dari beberapa model GCM.
Penggunaan berbagai model GCM ini sangat penting guna mengurangi permasalahan
ketidakpastian hasil proyeksi akibat hasil keluaran yang beragam antar model iklim. Hal
ini akan dibahas pada bagian selanjutnya.
Kembali kepada hasil keluaran RCM lagi, kali ini pada Gambar 4-3 disajikan secara lebih
detil persentase perubahan curah hujan pada masing-masing bulan. Dari hasil pada
Gambar tersebut dapat dilihat bahwa penurunan curah hujan cenderung terjadi pada
bulan-bulan di musim hujan dan di musim transisi menjelang musim hujan. Sementara itu
64
peningkatan curah hujan rata-rata diproyeksikan terjadi pada beberapa bulan di musim
kemarau dan musim transisi menjelang musim kemarau, yaitu di bulan Mei, Juni dan Juli.
Peningkatan curah hujan tersebut terjadi di sebagian besar wilayah di NTT.
4.1.2.2 Hasil Proyeksi Model Iklim Global
Selain menggunakan informasi proyeksi perubahan curah hujan dari hasil simulasi model
iklim regional (RCM), studi ini juga menggunakan proyeksi dari hasil downscaling
model iklim global (GCM). Proyeksi dari GCM digunakan sebagai pembanding dan
pelengkap dari hasil RCM yang hanya berdasarkan pada satu model GCM sebagai input
model dengan satu skenario RCP4.5. Penggunaan hasil proyeksi dari downscaling GCM
dimaksudkan untuk melihat konsensus model dalam melakukan proyeksi sebagai upaya
untuk mengurangi masalah ketidakpastian dalam proyeksi iklim yang disebabkan oleh
perbedaan hasil simulasi antar model dan antar skenario.
Pada awal disiapkan data luaran dari 20 model GCM untuk analisis proyeksi perubahan
curah hujan di NTT. Namun, jumlah tersebut dikurangi menjadi hanya 16 model
berdasarkan hasil seleksi yang dilakukan berdasarkan kesesuaian data klimatologi antara
masing-masing model dengan data observasi (lihat Sub-bagian 2.2.3). Rataan dari nilai
persentase peluang untuk seluruh NTT pada berbagai skenario di tiga periode, yaitu
2011-2040, 2041-2070 dan 2071-2100 disajikan pada Gambar 4-4. Sedangkan pola
spasial dari proyeksi curah hujan berdasarkan konsensus dari 16 GCM masing-masing
berdasarkan empat skenario perubahan iklim, yaitu RCP2.6, RCP4.5, RCP6.0 dan
RCP8.5 untuk periode 2011-2040 disajikan pada Gambar 4-5 hingga 4-8 (untuk periode
lainnya tidak ditampilkan).
Nilai peluang peningkatan curah hujan berdasarkan konsensus dari hasil proyeksi dari
keseluruhan GCM memiliki batas nilai antara 0 (0%) hingga 1 (100%). Semakin tinggi
nilai dari peluang tersebut (mendekati 1) berarti semakin banyak model yang
menunjukkan kesepakatan akan kemungkinan terjadinya peningkatan curah hujan di
masa akan datang. Sedangkan semakin kecil nilai peluang yang diperoleh (mendekati 0),
maka semakin sedikit model yang menunjukkan proyeksi peningkatan curah hujan;
dengan kata lain, semakin banyak model yang menyepakati penurunan curah hujan
dibandingkan kondisi baseline.
Untuk periode proyeksi 2011-2014 sebagaimana yang ditunjukkan pada Gambar 4-5
hingga 4-8, hasil proyeksi berdasarkan kecenderungan dari 16 model GCM menunjukkan
secara umum kondisi curah hujan yang mengalami penurunan dibandingkan dengan
kondisi baseline. Hal ini ditunjukkan dengan sebaran spasial nilai peluang yang terdapat
pada masing-masing bulan yang secara dominan menunjukkan nilai peluang kurang dari
0.5. Namun demikian, nilai peluang hasil konsensus model cenderung lemah untuk
sebagian besar hasil proyeksi. Hal ini konsisten dengan nilai rataan persentase perubahan
untuk seluruh NTT (Gambar 4-4) yang menunjukkan nilai persentase perubahan naik
turunnya curah hujan yang tidak lebih dari nilai 10%.
65
Gambar 4-4 menunjukkan bahwa secara konsisten penurunan curah hujan diproyeksikan
tejadi pada bulan-bulan di musim kemarau di bulan Juni-Juli-Agutus (JJA) dengan
penurunan terendah terjadi pada bulan Agustus. Penurunan curah hujan pada waktu
tersebut diproyeksikan terjadi di semua periode, namun dengan besaran persentase
perubahan yang berbeda untuk masing-masing skenario RCP..
Gambar 4-4 Proyeksi naik-turunnya curah hujan di NTT berdasarkan rataan wilayah dari median
16 GCM pada semua skenario RCP untuk periode: a) 2011-2040, b) 2041-2070 dan
c) 2071-2100.
Khusus untuk Gambar 4-5 hingga 4-8, hasil proyeksi menunjukkan kecenderungan 16
model GCM dari keseluruhan bulan dari Januari hingga Desember secara spasial untuk
proyeksi curah hujan periode 2011-2040. Secara umum, hanya sebagian kecil model
sepakat akan kemungkinan terjadi peningkatan curah hujan di NTT. Sebagian besar
model lebih cenderung menunjukkan proyeksi curah hujan yang lebih rendah
dibandingkan kondisi baseline. Hal ini ditunjukkan oleh sebaran nilai peluang yang lebih
kecil dari 0.5. Kecenderungan penurunan tersebut berbeda-beda nilainya dan
distribusinya secara spasial pada masing-masing skenario. Pada Gambar 4-5 (skenario
RCP2.6), curah hujan pada periode terkait terlihat memiliki peluang lebih tinggi terutama
di sebagian Pulau Flores pada bulan Februuari, di sebagian Pulau Sumba pada bulan
Februari dan Oktober, serta di Pulau Timor pada bulan Mei dan Juli. Sedangkan pada
66
Gambar 4-6 (skenario RCP4.5), Kecenderungan penurunan curah hujan pada periode
terkait terlihat memiliki peluang lebih tinggi terutama di sebagian Pulau Flores pada
bulan Februuari, di sebagian Pulau Sumba pada bulan Februari dan Oktober, serta di
Pulau Timor pada bulan Mei dan Juli.
Gambar 4-5 Peluang peningkatan curah hujan klimatologi bulanan periode 2011-2040 di NTT
berdasarkan kecenderungan 16 model GCM CMIP5 dengan skenario RCP2.6.
67
68
69
4.1.3 Proyeksi Iklim Ekstrim
4.1.3.1 Hasil Proyeksi Ekstrim Basah
IPCC (2012) menyatakan bahwa perubahan iklim dapat menyebabkan meningkatnya
frekuensi, intensitas dan luasan wilayah dari kejadian iklim ekstrim. Dalam kajian ini,
untuk wilayah NTT kami melakukan proyeksi iklim ekstrim berkaitan dengan perubahan
periode ulang dari curah hujan ekstrim atau disebut disini dengan ekstrim basah.
Perubahan peluang kejadian ekstrim diidentifikasi berdasarkan peluang terlampaui dari
ambang batas curah hujan ekstrim yang telah dibahas pada Subbagian 3.1.4. Perubahan
periode ulang hasil proyeksi model dianalisis dengan menggunakan referensi nilai
periode ulang curah hujan ekstrim periode baseline pada ambang batas peluang 80%
(P>Rt = 20%), 90% (P>Rt = 10%) dan 95% (P>Rt = 5%). Masing masing ambang batas
tersebut merepresentasikan periode ulang 5 tahunan, 10 tahunan dan 20 tahunan. Nilai
periode ulang tersebut merepresentasikan nilai ambang batas curah hujan ekstrim yang
secara spasial ditunjukkan pada Gambar 3-9. Proyeksi periode ulang kejadian ekstrim
basah dimasa depan berdasarkan empat skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0
dan RCP8.5 masing-masing pada periode 2011-2040, 2041-2070 dan 2071-2100 dengan
menggunakan referensi nilai periode ulang sesuai ambang batas pada Gambar 3-9
tersebut disajikan pada Gambar 4-9, 4-10 dan 4-11.
Periode ulang dari kejadian curah hujan ekstrim basah di NTT diproyeksikan akan
mengalami perubahan. Gambar 4-9 menunjukkan bahwa secara umum bahwa akan
terjadi peningkatan periode ulang kejadian hujan pada ambang batas ekstrim yang
sebelumnya terjadi 5 tahunan (P>Rt = 20%), akan meningkat menjadi 2-3 tahunan.
Peningkatan frekuensi kejadian tersebut diproyeksikan terjadi di sebagian besar NTT
untuk seluruh periode, kecuali di Pulau Sumba. Sebagian wilayah di Pulau tersebut
menunjukkan penurunan frekuensi dengan perubahan periode ulang 5 tahunan menjadi
lebih lambat hingga mencapai 20 tahunan.
70
Gambar 4-9 Proyeksi periode ulang kejadian ekstrim basah dimasa depan berdasarkan empat
skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 masing-masing pada
periode 2011-2040 (40), 2041-2070 (70) dan 2071-2100 (100) dengan
menggunakan referensi nilai periode ulang 5 tahunan (P>Rt = 20%).
71
Kondisi untuk perubahan periode ekstrim basah kejadian 5 tahunan hampir sama dengan
perubahan periode ulang curah hujan ekstrim 10 tahunan (Gambar 4-10) dimana untuk
wilayah Pulau Sumba sebagian menunjukkan terjadinya pengurangan frekuensi kejadian
dengan periode ulang yang lebih lambat. Walaupun dengan variasi spasial periode ulang
yang beragam dimana terdapat juga wilayah di bagian timur dan barat yang sebagian
menunjukkan peningkatan frekuensi kejadian/periode ulang. Sementara untuk wilayah di
Pulau Flores dan Timor, terdapat keseragaman yang menunjukkan kemungkinan
terjadinya peningkatan periode ulang menjadi lebih cepat dari 10 tahun. Peningkatan
periode ulang di kedua Pulau utama tersebut juga terlihat konsisten untuk curah hujan
ekstrim dengan periode ulang yang lebih lambat, yaitu setiap 20 tahunan (Gambar 4-11).
Diproyeksikan akan terjadi peningkatan periode ulang menjadi setiap 5 tahunan. Sekali
lagi, hal ini agak sedikit berbeda untuk Pulau Sumba yang menunjukkan beberapa bagian
wilayah yang mengalami peningkatan atau penurunan periode ulang serta beberapa
bagian yang tidak mengalami perubahan.
4.1.3.2 Hasil Proyeksi Ekstrim Kering
Selain proyeksi iklim ekstrim basah yang tekait dengan curah hujan maksimum, pada
studi ini juga dilakukan analisis periode ulang pada ambang batas di sisi lain dari rentang
distribusi, yaitu pada ambang batas 20% (P<Rt = 20%), 10% (P<Rt = 10%) dan 5%
72
(P<Rt = 5%) yang masing-masing merepresentasikan periode ulang 5 tahunan, 10
tahunan dan 20 tahunan untuk kejadian iklim ekstrim kering. Sebagai batasan, penentuan
ambang batas ini belum mewakili lama kejadian periode kering yang umumnya dapat
ditentukan berdasarkan nilai maksimum deret hari kering (dry spell).
Gambar 4-12 Proyeksi periode ulang kejadian ekstrim kering dimasa depan berdasarkan empat
periode 2011-2040, 2041-2070 dan 2071-2100 dengan menggunakan referensi nilai
periode ulang 5 tahunan (P<Rt = 20%).
73
periode ulang 10 tahunan (P<Rt = 10%).
74
periode ulang 20 tahunan (P>Rt = 5%).
Periode ulang dari kejadian ekstrim kering di NTT juga diproyeksikan akan mengalami
perubahan akibat perubahan iklim. Gambar 4-12 menunjukkan bahwa diproyeksikan
akan terjadi peningkatan periode ulang pada ambang batas ekstrim yang sebelumnya
terjadi 5 tahunan (P>Rt = 20%), akan meningkat menjadi 2-3 tahunan pada wilayah-
wilayah tertentu saja di NTT, seperti di bagian barat Pulau Flores mencakup wilayah
Kabupaten Manggarai, bagian barat Pulau Sumba dan bagian timur Pulau Timor dekat
perbatasan dengan Timor Leste. Sementara untuk sebagian wilayah lain menunjukkan
pelambatan periode ulang atau penurunan frekuensi kejadian. Kondisi serupa
diproyeksikan juga kemungkinan terjadi untuk batasan perubahan periode ulang 10
tahunan dan 20 tahunan, tentunya dengan pola distribusi secara spasial yang sedikit
berbeda (Gambar 4-13 dan 4-14).
4.2 PROYEKSI PERUBAHAN IKLIM DI KABUPATEN MANGGARAI
4.2.1 Proyeksi Suhu

Di masa depan, suhu udara rata-rata tahunan di Kabupaten Manggarai diproyeksikan
akan meningkat karena pemanasan global dan perubahan iklim. Gambar 4-15
menunjukkan nilai rataan wilayah di Kabupaten Manggarai dari dari anomaly suhu rata-
75
rata tahunan relatif terhadap periode baseline pada saat ini. Berdasarkan keempat
skenario RCP, yaitu RCP 2.6, RCP4.5, RCP6.0 dan RCP8.5, Nampak tidak ada
perbedaan yang terlalu besar antara anomali suhu antar masing-masing skenario pada
periode rataan 2011-2040. Peningkatan suhu berada di nilai 0,59 ◦C dan 0,71 ◦C antara
skenario terendah (RCP2.6) dan tertinggi (RCP8.5). Perbedaan peningkatan suhu yang
cukup jelas baru tampak pada periode 2041-2070 dan 2071-2100. Pada periode rataan
2041-2071, peningkatan suhu dibawah 1 ◦C hanya tampak pada skenario RCP2.6 yang
merupakan skenario paling optimis dalam upaya pelambatan peningkatan konsentrasi gas
rumah kaca di atmosfer. Sementara itu, skenario lainnya konsisten menunjukkan
peningkatan suhu di atas 1 ◦C pada periode tersebut dengan peningkatan rata-rata
tertinggi terdapat pada skenario RCP8.5 sekitar 1,7 ◦C. Hal serupa juga terjadi pada
periode tahun 2071-2100, dimana hanya RCP2.6 yang menunjukkan peningkatan suhu
rata-rata tahunan kurang dari 1,5 ◦C, dan RCP8.5 menunjukkan peningkatan suhu
tertinggi dengan rata-rata mencapai 2,9 ◦C.
Gambar 4-15 Rataan wilayah untuk anomali suhu udara rata-rata tahunan selama 30 tahun di
Kabupaten Manggarai relatif terhadap periode baseline tahun 1980-2009. Proyeksi
berdasarkan kombinasi beberapa GCM CMIP5 dengan semua skenario RCP, yaitu
RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 pada tiga periode akan datang, yaitu 2011-
2040, 2041-2070 dan 2071-2100.
Sebaran spasial proyeksi suhu udara rata-rata tahunan di Kabupaten Manggarai

ditampilkan secara spasial pada Gambar 4-16. Gambar tersebut menunjukkan nilai suhu
rata-rata tahunan dari observasi dan proyeksi. Untuk nilai hasil proyeksi diperoleh dengan
menjumlahkan nilai rataan data observasi dengan nilai selisih peningkatan suhu dari
model (pendekatan delta).Secara jelas Gambar 4-16 menunjukkan peningkatan suhu yang
konsisten di masa yang akan datang, dimana peningkatan tersebut sejalan dengan
proyeksi radiative forcing pada masing-masing skenario.
76
Gambar 4-16 Suhu udara rata-rata 30 tahunan di Kabupaten Manggarai, NTT pada periode
baseline tahun 1981-2010 dan proyeksi berdasarkan kombinasi beberapa GCM
CMIP5 dengan semua skenario RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5
pada tiga periode akan datang, yaitu 2011-2040, 2041-2070 dan 2071-2100.
77
4.2.2 Proyeksi Hujan
Perubahan iklim diproyeksikan akan mempengaruhi perubahan curah hujan di Kabupaten
Manggarai. Hal tersebut ditunjukkan dari analisis proyeksi curah hujan untuk NTT. Hasil
lebih detil dari proyeksi tersebut di sajikan pada Gambar 4-17 untuk representasi nilai
rataan wilayah perubahan curah hujan bulanan rata-rata dari median 16 GCM CMIP5
untuk seluruh skenario masing-masing pada tiga periode terpisah. Sementara untuk
Gambar 4-18 menampilkan gambaran spasial perubahan curah hujan berdasarkan nilai
peluang dari kecenderungan model GCM tersebut yang disajikan secara lebih detil
khusus untuk wilayah Kabupaten Manggarai. Gambar 4-18 hanya menyajikan peta
peluang untuk periode 2011-2040 pada semua skenario RCP. Sementara itu untuk dua
periode lainnya yaitu 2041-2070 dan 2071-2100, gambarnya dapat dilihat pada Lampiran
1 dan 2.
Gambar 4-17a menunjukkan adanya perubahan curah hujan pada periode 2011-2040
dibandingkan periode baseline. Akan tetapi, nilai persentase perubahan relatif kecil
dengan nilai persentase kurang dari ± 5%, kecuali untuk RCP6.0 di bulan Agustus.
Sementara itu, persentase perubahan curah hujan nampak lebih jelas terlihat untuk
periode tahun 2041-2070 dan 2071-2100 (Gambar 4-17b dan 4-17c). Peningkatan
persentase curah hujan nampak pada bulan Januari, Maret dan April untuk periode 2041-
2070 dan Desember, Februari, Maret dan April untuk periode tahun 2071-2100.
Sebaliknya, persentase penurunan curah hujan tampak pada bulan Juli dan Agustus untuk
periode 2041-2070 dan pada bulan Agustus saja untuk periode 2071-2100.
Gambar 4-17 Proyeksi naik-turunnya curah hujan di Kabupaten Manggarai berdasarkan rataan
wilayah dari median 16 GCM pada semua skenario RCP untuk periode: a) 2011-
2040, b) 2041-2070 dan c) 2071-2100.
78
79
Gambar 4-18 Peluang peningkatan curah hujan klimatologi bulanan periode 2011-2040 di
Kabupaten Manggarai berdasarkan kecenderungan 16 model GCM CMIP5 dengan
skenario a) RCP2.6, b) RCP4.5, c) RCP6.0 dan d) RCP8.5.
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
Secara spasial, peluang kecenderungan perubahan curah ditunjukkan pada Gambar 4-18
untuk periode 2011-2040 mengindikasikan adanya penurunan curah hujan di Kabupaten
Manggarai. Hal ini dapat dilihat dari kecenderungan model yang lebih banyak
80
memproyeksikan curah hujan yang lebih rendah dibandingkan kondisi baseline.
Walaupun jumlah model yang mengindikasikan hal tersebut tidak terlampaui dominan.
Hasil ini konsisten dengan nilai rataan median 16 GCM yang disajikan pada gambar
sebelumnya (Gambar 4-17a). Sementara untuk periode lainnya yaitu 2041-2070 dan
2071-2100 (lihat Lampiran 1 dan 2), lebih banyak model yang meproyeksikan adanya
peningkatan curah hujan pada bulan Maret dan April, khususnya pada skenario RCP6.0
dan RCP8.5.

4.2.3.1 Hasil Proyeksi Index Iklim Ekstrim
Analisis proyeksi kejadian iklim ekstrim juga dilakukan secara spesifik untuk masing-
masing dari tiga kabupaten yang menjadi wilayah kajian. Data yang digunakan dalam
proyeksi yaitu data hasil keluaran model iklim regional RegCM4 yang memiliki data
dengan resolusi harian yang dibutuhkan untuk kajian iklim ekstrim. Terdapat enam
indeks ekstrim yang dianalisis dalam studi ini, yaitu curah hujan tahunan total melampaui
ambang batas 99th percentile (R99p), curah hujan tahunan total melampaui ambang batas
95th percentile (R95p), deret hari kering maksimum dengan ambang batas hujan < 1mm
(CDD), deret hari basah maksimum dengan ambang batas hujan > 1mm (CDD), total
curah hujan tahunan untuk hari basah dengan batas curah hujan > 1mm (PRCPTOT),
indeks perbandingan antara total curah hujan dibagi dengan jumlah hari basah pada
ambang batas hari basah > 1mm (SDII), jumlah hari tahunan ketika suhu maksimum > 25
◦C (SU25) dan jumlah hari tahunan ketika suhu minimum < 20 ◦C (TR20). Informasi
tentang daftar indeks ekstrim tersebut disajikan pada Tabel 4-1.
Tabel 4-1 Daftar indeks iklim yang dianalisis dalam studi ini.
ID Indicator name Definitions UNITS

th
R99p Extremely wet days Annual total PRCP when RR>99 percentile mm
R95p Very wet days Annual total PRCP when RR>95thpercentile mm
CDD Consecutive dry days Maximum number of consecutive days with RR<1mm Days
CWD Consecutive wet days Maximum number of consecutive days with RR>=1mm Days
Annual total wet-day
PRCPTOT Annual total PRCP in wet days (RR>=1mm) mm
precipitation
Simple daily intensity Annual total precipitation divided by the number of wet
SDII mm/day
index days(defined as PRCP>=1.0mm) in the year
SU25 Summer days Annual count when TX(daily maximum)>25ºC Days
TR20 Tropical nights Annual count when TN(daily minimum)>20ºC Days
Berdasarkan hasil proyeksi, wilayah Kabupaten Manggarai akan mengalami peningkatan

peluang kejadian iklim ekstrim pada periode 2011-2040 dan 2021-2050 dibandingkan
dengan periode baseline (Gambar 4-19). Peningkatan yang terjadi khususnya pada indeks
81
curah hujan R99p dan R95p. Kedua indeks tersebut perubahan nilai peluang terlampaui
terlihat jelas untuk curah hujan diatas 50 mm. Sementara itu untuk CDD, CWD, dan
PRCPTOT diproyeksikan justru akan mengalami penurunan peluang kejadian. SDII
diperkirakan akan mengalami peningkatan frekuensi kejadian. Sedangkan untuk SU25
dan TR20 diproyeksikan tidak terjadi perubahan yang signifikan dari sisi jumlah dan
frekuensi kejadian. Indeks
82
Gambar 4-19 Proyeksi kejadian iklim ekstrim di Kabupaten Manggarai berdasarkan hasil
keluaran RegCM4 dengan skenario RCP4.5.
83
4.2.3.2 Perubahan Peluang Ekstrim Basah dan Kering
Peluang kejadian iklim ekstrim di Kabupaten Manggarai diproyeksikan akan berubah di
masa akan datang. Hasil proyeksi secara umum menunjukkan adanya peningkatan
peluang peningkatan intensitas hujan ekstrim di sebagian besar desa yang ada di
Kabupaten tersebut. Peningkatan peluang lebih besar terutama di wilayah bagian tengah.
Wilayah selatan dan utara juga mengalami peningkatan, tetapi peningkatan peluang di
wilayah selatan relatif lebih kecil dibandingkan dengan wilayah lain dari Kabupaten
Manggarai. Informasi nama desa sesuai dengan penomoran di tabel dan peta lokasi
masing-masing, disajikan pada Gambar 4-20. Informasi tersebut dapat digunakan sebagai
rujukan untuk melihat perubahan nilai peluang ekstrim masing-masing desa yang
disajikan pada Gambar 4-21. Peta overlay desa untuk perubahan peluang kejadian
ekstrim kering disajikan pada Lampiran 7.
Gambar 4-20 Batas administrasi desa di Kabupaten Manggarai dan urutan penomoran masing-
masing desa.
84
Gambar 4-21 Proyeksi perubahan peruang curah hujan ekstrim basah yang di-overlay dengan
batas administrasi desa di Kabupaten Manggarai, NTT.
4.3 PROYEKSI PERUBAHAN IKLIM DI KABUPATEN SABU RAIJUA
4.3.1 Proyeksi Suhu

Mirip halnya dengan kondisi di Kabupaten Manggarai, di masa depan, suhu udara rata-
rata tahunan di Kabupaten Sabu Raijua diproyeksikan akan meningkat karena pemanasan
global dan perubahan iklim. Gambar 4-22 menunjukkan nilai rataan wilayah di
Kabupaten Manggarai dari dari anomali suhu rata-rata tahunan relatif terhadap periode
baseline pada saat ini. Berdasarkan keempat skenario RCP, yaitu RCP 2.6, RCP4.5,
RCP6.0 dan RCP8.5, Nampak tidak ada perbedaan yang terlalu besar antara anomali
suhu antar masing-masing skenario pada periode rataan 2011-2040. Peningkatan suhu
berada di nilai 0,58 ◦C dan 0,71 ◦C antara skenario terendah (RCP2.6) dan tertinggi
(RCP8.5).
Perbedaan peningkatan suhu yang cukup jelas baru tampak pada periode 2041-2070 dan
2071-2100. Pada periode rataan 2041-2071, peningkatan suhu dibawah 1 ◦C hanya
tampak pada skenario RCP2.6 yang merupakan skenario paling optimis dalam upaya
pelambatan peningkatan konsentrasi gas rumah kaca di atmosfer. Sementara itu, skenario
lainnya konsisten menunjukkan peningkatan suhu di atas 1 ◦C pada periode tersebut
dengan peningkatan rata-rata tertinggi terdapat pada skenario RCP8.5 sekitar 1,67 ◦C.
Hal serupa juga terjadi pada periode tahun 2071-2100, dimana hanya RCP2.6 yang
85
menunjukkan peningkatan suhu rata-rata tahunan kurang dari 1,5 ◦C, dan RCP8.5
menunjukkan peningkatan suhu tertinggi dengan rata-rata mencapai 2,85 ◦C.
Kabupaten Sabu Raijua relatif terhadap periode baseline tahun 1980-2009. Proyeksi
berdasarkan kombinasi beberapa GCM CMIP5 dengan semua skenario RCP, yaitu
RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 pada tiga periode akan datang, yaitu 2011-
2040, 2041-2070 dan 2071-2100.
86
Gambar 4-23 Suhu udara rata-rata 30 tahunan di Kabupaten Sabu Raijua, NTT pada periode
Sebaran spasial proyeksi suhu udara rata-rata tahunan di Kabupaten Sabu Raijua
model (pendekatan delta). Secara jelas Gambar 4-23 menunjukkan peningkatan suhu
yang konsisten di masa yang akan datang, dimana peningkatan tersebut sejalan dengan
proyeksi radiative forcing pada masing-masing skenario. Peningkatan suhu dengan nilai
hampir merata seluruh wilayah banyak terlihat semakin nyata dengan semakin
meningktanya waktu dan semakin tingginya skenario perubahan iklim yang digunakan.

Sama halnya dengan kondisi di Manggarai dan di berbagai wilayah lainnya di Indonesia,
perubahan iklim diproyeksikan akan mempengaruhi perubahan curah hujan di Kabupaten
Sabu Raijua. Hal tersebut ditunjukkan secara umum dari analisis proyeksi curah hujan
untuk NTT. Gambar 4-24 menunjukkan secara lebih detil hasil dari proyeksi tersebut
yang disajikan sebagai representasi nilai rataan wilayah perubahan curah hujan bulanan
rata-rata dari median 16 GCM CMIP5 untuk seluruh skenario masing-masing pada tiga
periode terpisah. Sementara untuk Gambar 4-25 menampilkan gambaran spasial
perubahan curah hujan berdasarkan nilai peluang dari kecenderungan model GCM
87
tersebut yang disajikan secara lebih detil khusus untuk wilayah Kabupaten Sabu Raijua.
Gambar 4-25 hanya menyajikan peta peluang untuk periode 2011-2040 pada semua
skenario RCP. Sementara itu untuk dua periode lainnya yaitu 2041-2070 dan 2071-2100,
dapat dilihat pada Lampiran 3 dan 4.
Gambar 4-24 Proyeksi naik-turunnya curah hujan di Kabupaten Sabu Raijua berdasarkan
rataan wilayah dari median 16 GCM pada semua skenario RCP untuk periode: a)
2011-2040, b) 2041-2070 dan c) 2071-2100.
dengan nilai persentase kurang dari ± 5%, kecuali untuk RCP2.6 di bulan Agustus dan
pada satu skenario RCP8.5 di bulan November. Sementara itu, persentase perubahan
curah hujan nampak lebih jelas terlihat untuk periode tahun 2041-2070 dan 2071-2100
(Gambar 4-24b dan 4-24c). Persentase peningkatan curah hujan nampak pada bulan
Maret, April dan Mei untuk periode 2041-2070 dan Maret dan April untuk periode tahun
2071-2100. Sebaliknya, persentase penurunan curah hujan tampak pada bulan Juli dan
Agustus untuk periode 2041-2070 dan pada bulan Juni dan Agustus saja untuk periode
2071-2100.
88
Secara spasial, peluang kecenderungan perubahan curah dari berbagai model GCM
ditunjukkan pada Gambar 4-25 untuk periode 2011-2040 mengindikasikan adanya
penurunan curah hujan di Kabupaten Sabu Raijua. Hal ini dapat dilihat dari
kecenderungan model yang lebih banyak memproyeksikan curah hujan yang lebih rendah
dibandingkan kondisi baseline. Walaupun jumlah model yang mengindikasikan hal
tersebut tidak terlampaui dominan. Hasil ini konsisten dengan nilai rataan median 16
GCM yang disajikan pada gambar sebelumnya (Gambar 4-24a). Sedangkan pada periode
lainnya, yaitu 2041-2070 dan 2071-2100, secara spasial terdapat indikasi perbedaan
kecenderungan model antar bulan dimana pada bulan Januari, Maret dan April terdapat
kemungkinan peningkatan curah hujan (Lampiran 3 dan 4). Hal ini konsisten dengan
hasil yang ditunjukkan pada Gambar 4-24b dan 4-24c.
Kabupaten Sabu Raijua berdasarkan kecenderungan 16 model GCM CMIP5 dengan
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
89
Gambar 4-26 Proyeksi kejadian iklim ekstrim di Kabupaten Sabu Raijua berdasarkan hasil
90
Berdasarkan hasil proyeksi, wilayah Kabupaten Sabu Raijua akan mengalami
peningkatan peluang kejadian iklim ekstrim pada periode 2011-2040 dan 2021-2050
dibandingkan dengan periode baseline. Peningkatan yang terjadi khususnya pada indeks
curah hujan R99p dan R95p. Kedua indeks tersebut perubahan nilai peluang terlampaui
terlihat jelas untuk curah hujan diatas 50 mm. Sementara itu untuk CDD, CWD, dan
PRCPTOT diproyeksikan justru akan mengalami penurunan peluang kejadian walaupun
khusus untuk CDD pada ambang batas tertentu justru akan mengalampi peningkatan
peluang kejadian. SDII diperkirakan akan mengalami peningkatan frekuensi kejadian,
khususnya untuk periode 2011-2040. Sedangkan untuk SU25 dan TR20 diproyeksikan
tidak terjadi perubahan yang signifikan dari sisi jumlah dan frekuensi kejadian (Gambar
4-26).
Peluang kejadian iklim ekstrim di Kabupaten Sabu Raijua diproyeksikan akan berubah di
masa akan datang. Hasil proyeksi secara umum menunjukkan adanya peningkatan
Kabupaten tersebut. Peningkatan peluang lebih besar terutama di wilayah bagian luar
pulau. Informasi nama desa sesuai dengan penomoran di tabel dan peta lokasi masing-
masing, disajikan pada Gambar 4-27. Informasi tersebut dapat digunakan sebagai rujukan
untuk melihat perubahan nilai peluang ekstrim masing-masing desa yang disajikan pada
Gambar 4-28. Peta overlay desa untuk perubahan peluang kejadian ekstrim kering
disajikan pada Lampiran 8.
91
Gambar 4-27 Batas administrasi desa di Kabupaten Sabu Raijua dan urutan penomoran masing-
masing desa..
batas administrasi desa di Kabupaten Sabu Raijua, NTT.
4.4 PROYEKSI PERUBAHAN IKLIM DI KABUPATEN SUMBA TIMUR
4.4.1 Proyeksi Suhu

Tidak berbeda dengan kondisi di Kabupaten Manggarai dan Sabu Raijua, di masa depan,
suhu udara rata-rata tahunan di Kabupaten Sumba Timur diproyeksikan akan meningkat
karena pemanasan global dan perubahan iklim. Gambar 4-29 menunjukkan nilai rataan
wilayah di Kabupaten Sumba Timur dari anomali suhu rata-rata tahunan relatif terhadap
92
periode baseline pada saat ini. Berdasarkan keempat skenario RCP, yaitu RCP 2.6,
RCP4.5, RCP6.0 dan RCP8.5, nampak tidak ada perbedaan yang terlalu besar antara
anomali suhu antar masing-masing skenario pada periode rataan 2011-2040. Peningkatan
suhu berada di nilai 0,59 ◦C dan 0,71 ◦C antara skenario terendah (RCP2.6) dan tertinggi
(RCP8.5).
Perbedaan peningkatan suhu yang cukup jelas baru tampak pada periode 2041-2070 dan
2071-2100. Pada periode rataan 2041-2071, peningkatan suhu dibawah 1 ◦C hanya
tampak pada skenario RCP2.6 yang merupakan skenario paling optimis dalam kaitannya
dengan upaya pelambatan peningkatan konsentrasi gas rumah kaca di atmosfer.
Sementara itu, skenario lainnya konsisten menunjukkan peningkatan suhu di atas 1 ◦C
pada periode tersebut dengan peningkatan rata-rata tertinggi terdapat pada skenario
RCP8.5 sekitar 1,69 ◦C. Hal serupa juga terjadi pada periode tahun 2071-2100, dimana
hanya RCP2.6 yang menunjukkan peningkatan suhu rata-rata tahunan kurang dari 1,5 ◦C,
dan RCP8.5 menunjukkan peningkatan suhu tertinggi dengan rata-rata mencapai 2,87 ◦C.
Sebaran spasial proyeksi suhu udara rata-rata tahunan di Kabupaten Sumba Timur
model (pendekatan delta). Secara jelas Gambar 4-30 menunjukkan peningkatan suhu
yang konsisten di masa yang akan datang, dimana peningkatan tersebut sejalan dengan
proyeksi radiative forcing pada masing-masing skenario. Peningkatan suhu dengan nilai
hampir merata seluruh wilayah banyak terlihat semakin nyata dengan semakin
meningkatnya waktu dan semakin tingginya skenario perubahan iklim yang digunakan.
Untuk wilayah Sumba Timur, nilai rata-rata suhu yang tinggi akibat peningkatan suhu
sebagai pengaruh perubahan iklim terlihat cukup besar untuk wilayah dataran rendah,
khususnya di sekitar wilayah pantai.
93
Kabupaten Sumba Timur relatif terhadap periode baseline tahun 1980-2009.
Proyeksi berdasarkan kombinasi beberapa GCM CMIP5 dengan semua skenario
RCP, yaitu RCP2.6, RCP4.5, RCP6.0 dan RCP8.5 pada tiga periode akan datang,
yaitu 2011-2040, 2041-2070 dan 2071-2100.
94
Gambar 4-30 Suhu udara rata-rata 30 tahunan di Kabupaten Sumba Timur, NTT pada periode

Perubahan iklim diproyeksikan akan mempengaruhi perubahan curah hujan di Kabupaten
Sumba Timur, sebagaimana juga terjadi di wilayah Kabupaten Manggarai dan Sabu
Raijua serta seluruh bagian wilayah lain di NTT dan Indonesia secara umum. Hal tersebut
dapat dilihat dari analisis proyeksi curah hujan untuk NTT sebagaimana telah disajikan
pada Subbagian 4.1.2. Gambar 4-31 menunjukkan secara lebih detil hasil dari proyeksi
tersebut yang disajikan sebagai representasi nilai rataan wilayah perubahan curah hujan
bulanan rata-rata dari median 16 GCM CMIP5 untuk seluruh skenario masing-masing
pada tiga periode terpisah. Sementara itu, Gambar 4-32 menampilkan gambaran spasial
perubahan curah hujan berdasarkan nilai peluang dari kecenderungan model GCM
tersebut yang disajikan secara lebih detil khusus untuk wilayah Kabupaten Sabu Raijua.
Gambar 4-32 hanya menyajikan peta peluang untuk periode 2011-2040 pada semua
skenario RCP. Sementara itu untuk dua periode lainnya yaitu 2041-2070 dan 2071-2100
peta spasial kecenderungan model yang menunjukkan indikasi perubahan curah hujan
disajikan pada Lampiran 5 dan 6.
95
Gambar 4-31 Proyeksi naik-turunnya curah hujan di Kabupaten Smba Timur berdasarkan rataan
wilayah dari median 16 GCM pada semua skenario RCP untuk periode: a) 2011-
2040, b) 2041-2070 dan c) 2071-2100.
96
Kabupaten Sumba Timur berdasarkan kecenderungan 16 model GCM CMIP5
dengan skenario a) RCP2.6, b) RCP4.5, c) RCP6.0 dan d) RCP8.5.
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
dengan nilai persentase kurang dari ± 5%, kecuali untuk RCP4.5 dan RCP6.0 di bulan
Agustus. Sementara itu, persentase perubahan curah hujan nampak lebih jelas terlihat
untuk periode tahun 2041-2070 dan 2071-2100 (Gambar 4-31b dan 4-31c). Persentase
peningkatan curah hujan nampak pada bulan Desember, Maret dan April untuk periode
2041-2070 dan Desember, Februari, Maret dan April untuk periode tahun 2071-2100.
Sebaliknya, persentase penurunan curah hujan tampak pada bulan Juli dan Agustus untuk
periode 2041-2070 dan pada bulan Agustus saja untuk periode 2071-2100.
Secara spasial, peluang kecenderungan perubahan curah dari berbagai model GCM
ditunjukkan pada Gambar 4-32 untuk periode 2011-2040 mengindikasikan adanya
penurunan curah hujan di Kabupaten Sabu Raijua di sebagian besar bulan. Hal ini dapat
dilihat dari kecenderungan model yang lebih banyak memproyeksikan curah hujan yang
lebih rendah dibandingkan kondisi baseline. Walaupun jumlah model yang
mengindikasikan hal tersebut tidak terlampaui dominan. Hasil ini konsisten dengan nilai
rataan median 16 GCM yang disajikan pada gambar sebelumnya (Gambar 4-31a).
97
Proyeksi peningkatan curah hujan lebih terlihat pada periode berikutnya yaitu 2041-2070
dan 2071-2100. Pada periode tersebut terlihat indikasi adanya lebih banyak bulan yang
menunjukkan lebih banyak model dengan hasil proyeksi curah hujan yang meningkat
relatif terhadap curah hujan baseline (lihat Lampiran 5 dan 6). Selain itu, pada tahun
2041-2070 kesepakatan antar model terlihat lebih jelas untuk penurunan curah hujan pada
bulan Agustus, khususnya berdasarkan skenario RCP4.5.
98
Gambar 4-33 Proyeksi kejadian iklim ekstrim di Kabupaten Sumba Timur berdasarkan hasil
99
Berdasarkan hasil proyeksi, wilayah Kabupaten Sumba Timur akan mengalami
perubahan peluang kejadian iklim ekstrim pada periode 2011-2040 dan 2021-2050
dibandingkan dengan periode baseline. Pennurunan peluang diproyeksikan terjadi
khususnya pada indeks curah hujan R99p dan R95p. Sementara itu untuk CDD
diproyeksikan akan pengalami peningkatan di Sabu Raijua. Sedangkan CWD, dan
PRCPTOT diproyeksikan justru akan mengalami perubahan peluang kejadian, dimana
pada level tertentu perubahan yang terjadi tidak terlihat terlalu besar. Hal serupa juga
ditemukan untuk indeks SDII. Sedangkan untuk SU25 dan TR20 diproyeksikan tidak
terjadi perubahan yang signifikan dari sisi jumlah dan frekuensi kejadian (Gambar 4-33).
Gambar 4-34 Batas administrasi desa di Kabupaten Sumba Timur dan urutan penomoran masing-
masing desa.

Peluang kejadian iklim ekstrim di Kabupaten Sumba Timur diproyeksikan akan berubah
di masa akan datang. Hasil proyeksi secara umum menunjukkan adanya penurunan
100
Kabupaten tersebut. Peningkatan peluang lebih besar terutama di wilayah bagian utara
hingga ke tengah. Sementara itu, wilayah selatan cenderung mengalami perubahan yang
tidak besar dan sebagian cenderung ke arah positif, Informasi nama desa sesuai dengan
penomoran di tabel dan peta lokasi masing-masing, disajikan pada Gambar 4-20.
Informasi tersebut dapat digunakan sebagai rujukan untuk melihat perubahan nilai
peluang ekstrim masing-masing desa yang disajikan pada Gambar 4-35. Peta overlay
desa untuk perubahan peluang kejadian ekstrim kering disajikan pada Lampiran 9.
batas administrasi desa di Kabupaten Sumba Timur, NTT..
101
5 RINGKASAN
Berdasar hasil analisis data historis parameter iklim di Waingapu-Sumba Timur, Ruteng-
Manggarai dan Tardamu-Sabu Raijua, dapat disimpulkan antara lain :
1. Waingapu-Sumba Timur; analisis temperatur udara rata-rata, temperatur udara
maximum dan temperatur udara minimum menunjukkan tren naik; curah hujan bulanan,
curah hujan musim hujan dan curah hujan musim kemarau juga menunjukkan tren naik
(bertambah curah hujan); awal musim hujan dan awal musim kemarau menunjukkan tren
turun (semakin maju/lebih cepat); panjang musim hujan menunjukkan tren naik
(bertambah panjang), sedangkan panjang musim kemarau menunjukkan tren turun
(semakin pendek); frekuensi kejadian temperatur udara maximum ≥ 35 oC menunjukkan
tren naik (bertambah frekuensi kejadiannya); frekuensi kejadian curah hujan harian ≥ 50
mm menunjukkan tren naik (bertambah frekuensi kejadiannya); dan frekuensi kejadian
angin maximum ≥ 45 km/jam menunjukkan tren naik (bertambah frekuensi kejadiannya).
2. Ruteng-Manggarai; analisis temperatur udara rata-rata dan temperatur udara
minimum menunjukkan tren turun, sedangkan temperatur udara maximum menunjukkan
tren naik; curah hujan bulanan dan curah hujan musim hujan menunjukkan tren naik
(bertambah curah hujan), sedangkan curah hujan musim kemarau menunjukkan tren
turun (berkurang curah hujan); awal musim hujan menunjukkan tren turun (semakin
maju/lebih cepat), sedangkan awal musim kemarau menunjukkan tren naik (semakin
mundur/lebih lambat); panjang musim hujan menunjukkan tren naik (bertambah
panjang), sedangkan panjang musim kemarau menunjukkan tren turun (semakin pendek);
frekuensi kejadian temperatur udara maximum ≥ 35 oC menunjukkan tren turun
(berkurang frekuensi kejadiannya); frekuensi kejadian curah hujan harian ≥ 50 mm
menunjukkan tren naik (bertambah frekuensi kejadiannya); dan frekuensi kejadian angin
maximum ≥ 45 km/jam menunjukkan tren turun (berkurang frekuensi kejadiannya).
3. Tardamu-Sabu Raijua; analisis temperatur udara rata-rata, temperatur udara
maximum dan temperatur udara minimum menunjukkan tren naik; curah hujan bulanan,
curah hujan musim hujan dan curah hujan musim kemarau juga menunjukkan tren naik
(bertambah curah hujan); awal musim hujan menunjukkan tren turun (semakin maju/lebih
cepat), sedangkan awal musim kemarau menunjukkan tren naik (semakin mundur/lebih
lambat); panjang musim hujan menunjukkan tren naik (bertambah panjang), sedangkan
panjang musim kemarau menunjukkan tren turun (semakin pendek); frekuensi kejadian
temperatur udara maximum ≥ 35 oC menunjukkan tren naik (bertambah frekuensi
kejadiannya); frekuensi kejadian curah hujan harian ≥ 50 mm menunjukkan tren tetap
(tidak mengalami mengalami penambahan atau pengurangan frekuensi kejadiannya); dan
frekuensi kejadian angin maximum ≥ 45 km/jam menunjukkan tren turun (berkurang
frekuensi kejadiannya).
102
Proyeksi perubahan iklim di masa akan datang menunjukkan peningkatan temperatur
udara rata-rata di wilayah NTT secara umum dan di tiga kabupaten yang menjadi wilayah
kajian. Secara umum perbedaan peningkatan suhu masih belum terlihat beragam antar
skenario pada periode 2011-2040. Perbedaan antar skenario baru dapat terlihat cukup
besar pada periode 2041-2070 dan 2071-2100. Peningkatan suhu berdasarkan skenario
RCP8.5 menunjukkan peningkatan paling tinggi mencapai lebih dari 3◦C pada periode
rataan 2071-2100. Perubahan curah hujan diproyeksikan akan menunjukkan penurunan
dibandingkan periode baseline untuk ketiga kabupaten, walaupun dengan persentase
perubahan yang relatif kecil untuk periode 2011-2040. Penurunan curah hujan yang
signifikan umumnya diproyeksikan terjadi pada bulan Agustus, sementara peningkatan
curah hujan diproyeksikan akan terjadi pada periode transisi, khususnya di bulan Maret
dan April.
103
DAFTAR PUSTAKA
Arora, V. and Boer, G.J., 2010. Uncertainties in the 20th century carbon budget
associated with land use change. Glob. Change Biol. , 16(12): 3327-3348.
Barnett, J., Dessai, S. and Jones, R., 2003. Climate Change in Timor Leste: science,
impacts, policy and planning, University of Melbourne and CSIRO, Australia.
Boer, R. and Faqih, A., 2011. Assessment of current and future climate risk at East Nusa
Tenggara Timor, United Nation Development Programs.
Collins, W.D., Rasch, P.J., Boville, B.A., Hack, J.J., McCaa, J.R., Williamson, D.L.,
Briegleb, B.P., Bitz, C.M., Lin, S.-J. and Zhang, M., 2006. The Formulation and
Atmospheric Simulation of the Community Atmosphere Model Version 3
(CAM3). Journal of Climate, 19(11): 2144-2161.
Collins, W.J., Bellouin, N., Doutriaux-Boucher, M., Gedney, N., Halloran, P., Hinton, T.,
Hughes, J., Jones, C.D., Joshi, M., Liddicoat, S., Martin, G., O'Connor, F., Rae, J.,
Senior, C., Sitch, S., Totterdell, I., Wiltshire, A. and Woodward, S., 2011.
Development and evaluation of an Earth-System model – HadGEM2. Geosci.
Model Dev., 4(4): 1051-1075.
CRU, 2008. CRU Time Series (TS) high resolution gridded datasets, [Internet]. NCAS
British Atmospheric Data Centre. In: I.H. [Phil Jones (Editor).
Delworth, T.L., Broccoli, A.J., Rosati, A., Stouffer, R.J., Balaji, V., Beesley, J.A., Cooke,
W.F., Dixon, K.W., Dunne, J., Dunne, K.A., Durachta, J.W., Findell, K.L.,
Ginoux, P., Gnanadesikan, A., Gordon, C.T., Griffies, S.M., Rich Gudgel,
Harrison, M.J., Held, I.M., Hemler, R.S., Horowitz, L.W., Klein, S.A., Knutson,
T.R., Kushner, P.J., Langenhorst, A.R., Lee, H.-C., Lin, S.-J., Lu, J., Malyshev,
S.L., Milly, P.C.D., Ramaswamy, V., Russell, J., M. Daniel Schwarzkopf,
Shevliakova, E., Sirutis, J.J., Spelman, M.J., Stern, W.F., Winton, M., Wittenberg,
A.T., Wyman, B., Zeng, F. and Zhang, R., 2006. GFDL's CM2 Global Coupled
Climate Models. Part I: Formulation and Simulation Characteristics. Journal of
Climate, 19( 5): 643–674.
Dickinson, R.E., Henderson-Sellers, A. and Kennedy, P.J., 1993. Biosphere-Atmosphere
Transfer Scheme, BATS: version 1E as coupled to the NCAR Community
Climate Model, the National Center for Atmospheric Research, Boulder, CO,
USA.
Donner, L.J., Wyman, B.L., Hemler, R.S., Horowitz, L.W., Ming, Y., Zhao, M., Golaz,
J.-C., Ginoux, P., Lin, S.-J., Schwarzkopf, M.D., Austin, J., Alaka, G., Cooke,
W.F., Delworth, T.L., Freidenreich, S.M., Gordon, C.T., Griffies, S.M., Held,
I.M., Hurlin, W.J., Klein, S.A., Knutson, T.R., Langenhorst, A.R., Lee, H.-C.,
Lin, Y., Magi, B.I., Malyshev, S.L., Milly, P.C., Naik, V., Nath, M.J., Pincus, R.,
Ploshay, J.J., Ramaswamy, V., Seman, C.J., Shevliakova, E., Sirutis, J.J., Stern,
W.F., Stouffer, R.J., Wilson, R.J., Winton, M., Wittenberg, A.T. and Zeng, F.,
2011. The dynamical core, physical parameterizations, and basic simulation
characteristics of the atmospheric component AM3 of the GFDL global coupled
model CM3. Journal of Climate, 24: 3484-3519.
Dufresne, J.L., Foujols, M.A., Denvil, S., Caubel, A., Marti, O., Aumont, O., Balkanski,
Y., Bekki, S., Bellenger, H., Benshila, R., Bony, S., Bopp, L., Braconnot, P.,
Brockmann, P., Cadule, P., Cheruy, F., Codron, F., Cozic, A., Cugnet, D., Noblet,
104
N., Duvel, J.P., Ethé, C., Fairhead, L., Fichefet, T., Flavoni, S., Friedlingstein, P.,
Grandpeix, J.Y., Guez, L., Guilyardi, E., Hauglustaine, D., Hourdin, F., Idelkadi,
A., Ghattas, J., Joussaume, S., Kageyama, M., Krinner, G., Labetoulle, S.,
Lahellec, A., Lefebvre, M.P., Lefevre, F., Levy, C., Li, Z.X., Lloyd, J., Lott, F.,
Madec, G., Mancip, M., Marchand, M., Masson, S., Meurdesoif, Y., Mignot, J.,
Musat, I., Parouty, S., Polcher, J., Rio, C., Schulz, M., Swingedouw, D., Szopa,
S., Talandier, C., Terray, P., Viovy, N. and Vuichard, N., 2013. Climate change
projections using the IPSL-CM5 Earth System Model: from CMIP3 to CMIP5.
Climate Dynamics, 40(9-10): 2123-2165.
Dunne, J.P., John, J.G., Adcroft, A.J., Griffies, S.M., Hallberg, R.W., Shevliakova, E.N.,
Stouffer, R.J., Cooke, W., Dunne, K.A., Harrison, M.J., Krasting, J.P., Malyshev,
S.L., Milly, P.C.D.P., P. J. , Sentman, L.T., Samuels, B.L., Spelman, M., Winton,
M., Wittenberg, A.T. and Zadeh, N., 2012. GFDL’s ESM2 global coupled
climate-carbon Earth System Models Part I: Physical formulation and baseline
simulation characteristics. Journal of Climate, 25(19).
Dunne, J.P., John, J.G., Shevliakova, E., Stouffer, R.J., Krasting, J.P., Malyshev, S.L.,
Milly, P.C.D., Sentman, L.T., Adcroft, A.J., Cooke, W., Dunne, K.A., Griffies,
S.M., Hallberg, R.W., Harrison, M.J., Levy, H., Wittenberg, A.T., Phillips, P.J.
and Zadeh, N., 2013. GFDL’s ESM2 Global Coupled Climate–Carbon Earth
System Models. Part II: Carbon System Formulation and Baseline Simulation
Characteristics. J. Climate, 26: 2247–2267.
Emanuel, K.A. and Zivkovic-Rothman, M., 1999. Development and evaluation of a
convection scheme for use in climate models. Journal of the Atmospheric
Sciences, 56: 1766–1782. DOI: 10.1175/1520-
0469(1999)056<1766:DAEOAC>2.0.CO;2.
Funk, C.C., Peterson, P.J., Landsfeld, M.F., Pedreros, D.H., Verdin, J.P., Rowland, J.D.,
Romero, B.E., Husak, G.J., Michaelsen, J.C. and Verdin, A.P., 2014. A quasi-
global precipitation time series for drought monitoring. U.S. Geological Survey
Data Series 832, 4 p.
Gent, P.R. and Danabasoglu, G., 2011. Response to increasing Southern Hemisphere
winds in CCSM4. J. Clim., 24: 4992–4998.
Geru, A.S., 2013. Penyusunan Buku Informasi Perubahan Iklim. In: B.M.K.d. Geofisika
(Editor), Laporan.
Giorgi, F., Elguindi, N., S, C. and G, G., 2013. Regional Climatic Model RegCM User’s
Guide Version 4.4., The Abdus Salam International Centre for Theoretical
Physics, Strada Costiera, 11 I - 34151, Trieste, Italy.
Holtslag, A., de Bruijn, E.I.F. and Pan, H.L., 1990. A high resolution air mass
transformation model for short-range weather forecasting. Mon. Wea. Rev., 118:
1561–1575.
Huffman, G.J., Adler, R.F., Bolvin, D.T., Gu, G., Nelkin, E.J., Bowman, K.P., Hong, Y.,
Stocker, E.F. and Wolff, D.B., 2007. The TRMM multi-satellite precipitation
analysis: Quasi-global, multi-year, combined-sensor precipitation estimates at fine
scale. J. Hydrometeor., 8: 38-55.
Hurrell, J., et al., 2013. The Community Earth System Model: A framework for
collaborative research. Bull. Am. Meteorol. Soc.
105
IPCC, 2007. Climate Change 2007: The physical science basis. Contribution of Working
Group I to the Fourth Assessment Report of the Intergovernmental Panel on
Climate Change, Cambridge University Press, Cambridge, United Kingdom and
New York, NY, USA.
IPCC, 2012. Managing the Risks of Extreme Events and Disasters to Advance Climate
Change Adaptation, Cambridge University Press, Cambridge, UK, and New
York, NY, USA.
IPCC, 2013. Climate Change 2013: The Physical Science Basis. Contribution of Working
Group I to the Fifth Assessment Report of the Intergovernmental Panel on
Climate Change Cambridge University Press, Cambridge, United Kingdom and
New York, NY, USA.
Iversen, T., Bentsen, M., Bethke, I., Debernard, J.B., Kirkevåg, A., Seland, Ø., Drange,
H., Kristjansson, J.E., Medhaug, I., Sand, M. and Seierstad, I.A., 2013. The
Norwegian Earth System Model, NorESM1-M – Part 2: Climate response and
scenario projections. Geosci. Model Dev., 6(2): 389-415.
Katzfey, J., McGregor, J., Nguyen, K. and Thatcher, M., 2010. Regional climate change
projection development and interpretation for Indonesia, CSIRO, Australia.
Martin, G.M., Bellouin, N., Collins, W.J., Culverwell, I.D., Halloran, P.R., Hardiman,
S.C., Hinton, T.J., Jones, C.D., McDonald, R.E., McLaren, A.J., O'Connor, F.M.,
Roberts, M.J., Rodriguez, J.M., Woodward, S., Best, M.J., Brooks, M.E., Brown,
A.R., Butchart, N., Dearden, C., Derbyshire, S.H., Dharssi, I., Doutriaux-Boucher,
M., Edwards, J.M., Falloon, P.D., Gedney, N., Gray, L.J., Hewitt, H.T., Hobson,
M., Huddleston, M.R., Hughes, J., Ineson, S., Ingram, W.J., James, P.M., Johns,
T.C., Johnson, C.E., Jones, A., Jones, C.P., Joshi, M.M., Keen, A.B., Liddicoat,
S., Lock, A.P., Maidens, A.V., Manners, J.C., Milton, S.F., Rae, J.G.L., Ridley,
J.K., Sellar, A., Senior, C.A., Totterdell, I.J., Verhoef, A., Vidale, P.L. and
Wiltshire, A., 2011. The HadGEM2 family of Met Office Unified Model climate
configurations. Geosci. Model Dev., 4(3): 723-757.
Mitchell, T.D. and Jones, P.D., 2005. An improved method of constructing a database of
monthly climate observations and associated high-resolution grids. International
Journal of Climatology, 25(6): 693-712.
Moss, R.H., Edmonds, J.A., Hibbard, K.A., Manning, M.R., Rose, S.K., Vuuren, D.P.v.,
Carter, T.R., Emori, S., Kainuma, M., Kram, T., Meehl, G.A., Mitchell, J.F.B.,
Nakicenovic, N., Riahi, K., Smith, S.J., Stouffer, R.J., Thomson, A.M., Weyant,
J.P. and Wilbanks, T.J., 2010. The next generation of scenarios for climate change
research and assessment. 463.
Piani, C., Haerter, J.O. and Coppola, E., 2010. Statistical bias correction for daily
precipitation in regional climate models over Europe. Theor. Appl. Climatol., 99:
187–192.
Pujiono, E., 2013. Kajian Spasial Tingkat Kerentanan Air Akibat Perubahan Iklim di
DAS Kambaniru Sumba Timur. In: Makalah (Editor).
Rotstayn, L.D., Jeffrey, S.J., Collier, M.A., Dravitzki, S.M., Hirst, A.C., Syktus, J.I. and
Wong, K.K., 2012. Aerosol- and greenhouse gas-induced changes in summer
rainfall and circulation in the Australasian region: A study using single-forcing
climate simulations. Atmos. Chem. Phys., 12: 6377–6404.
106
Rudolf, B., Becker, A., Schneider, U., Meyer-Christoffer, A. and Ziese, M., 2010. GPCC
Status Report December 2010, GPCC.
Schmidt, G.A., Ruedy, R., Hansen, J.E., Aleinov, I., Bell, N., Bauer, M., Bauer, S.,
Cairns, B., Canuto, V., Cheng, Y., Del Genio, A., Faluvegi, G., Friend, A.D.,
Hall, T.M., Hu, Y., Kelley, M., Kiang, N.Y., Koch, D., Lacis, A.A., Lerner, J.,
Lo, K.K., Miller, R.L., Nazarenko, L., Oinas, V., Perlwitz, J., Perlwitz, J., Rind,
D., Romanou, A., Russell, G.L., Sato, M., Shindell, D.T., Stone, P.H., Sun, S.,
Tausnev, N., Thresher, D. and Yao, M.-S., 2006. Present-Day Atmospheric
Simulations Using GISS ModelE: Comparison to In Situ, Satellite, and Reanalysis
Data. Journal of Climate, 19(2): 153-192.
Thomson, A.M., Calvin, K.V., Smith, S.J., Kyle, G.P., Volke, A., Patel, P., Delgado-
Arias, S., Bond-Lamberty, B., Wise, M.A., Clarke, L.E. and Edmonds, J.A., 2011.
RCP4.5: a pathway for stabilization of radiative forcing by 2100. Climatic
Change 109: 77–94.
Tjiputra, J.F., Roelandt, C., Bentsen, M., Lawrence, D.M., Lorentzen, T., Schwinger, J.,
Seland, Ø. and Heinze, C., 2013. Evaluation of the carbon cycle components in
the Norwegian Earth System Model (NorESM). Geosci. Model Dev., 6(2): 301-
325.
Watanabe, M., Suzuki, T., O’ishi, R., Komuro, Y., Watanabe, S., Emori, S., Takemura,
T., Chikira, M., Ogura, T., Sekiguchi, M., Takata, K., Yamazaki, D., Yokohata,
T., Nozawa, T., Hasumi, H., Tatebe, H. and Kimoto, M., 2010. Improved Climate
Simulation by MIROC5: Mean States, Variability, and Climate Sensitivity.
Journal of Climate, 23(23): 6312-6335.
Wu, T., 2012. A mass-flux cumulus parameterization scheme for large-scale models:
Description and test with observations Clim. Dyn., 38: 725–744.
Xin, X., Wu, T., Li, J., Wang, Z., Li, W. and Wu, F., 2012. How well does BCC_CSM1.1
reproduce the 20th century climate change over China? Atmos. Ocean. Sci. Lett.,
6: 21–26.
Xin, X., Zhang, L., Zhang, J., Wu, T. and Fang, Y., 2013. Climate change projections
over East Asia with BCC_CSM1.1 climate model under RCP scenarios. J.
Meteorol. Soc. Jpn., 91: 413–429.
Yatagai, A., Kamiguchi, K., Arakawa, O., Hamada, A., Yasutomi, N. and Kitoh, A.,
2012. APHRODITE: Constructing a long-term daily gridded precipitation dataset
for Asia based on a dense network of rain gauges. Bull. Amer. Meteor. Soc., 93:
1401–1415.
Yukimoto, S., Adachi, Y., Hosaka, M., Sakami, T., Yoshimura, H., Hirabara, M., Tanaka,
T.Y., Shindo, E., Tsujino, H., Deushi, M., Mizuta, R., Yabu, S., Obata, A.,
Nakano, H., Koshiro, T., Ose, T. and Kitoh, A., 2012. A New Global Climate
Model of the Meteorological Research Institute: MRI-CGCM3 —Model
Description and Basic Performance&mdash. Journal of the Meteorological
Society of Japan. Ser. II, 90A: 23-64.
Yukimoto, S., Yoshimura, H., Hosaka, M., Sakami, T., Tsujino, H., Hirabara, M.,
Tanaka, T.Y., Deushi, M., Obata, A., Nakano, H., Adachi, Y., Shindo, E., Yabu,
S., Ose, T. and Kitoh, A., 2011. Meteorological Research Institute - Earth System
Model v1 (MRI-ESM1) - Model Description, Ibaraki, Japan.
107
Zeng, X., Zhao, M. and Dickinson, R.E., 1998. Intercomparison of bulk aerodynamic
algorithms for the computation of sea surface fluxes using TOGA COARE and
TAO data. Journal of Climate, 11(2628–2644).
108
LAMPIRAN

a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
109
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
110
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
111
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
112
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
113
a) RCP2.6 b) RCP4.5
c) RCP6.0 d) RCP8.5
114
Lampiran 7 Proyeksi perubahan peruang curah hujan ekstrim kering yang di-overlay dengan
batas administrasi desa di Kabupaten Manggarai, NTT..
115
batas administrasi desa di Kabupaten Sabu Raijua, NTT..
116
batas administrasi desa di Kabupaten Sumba Timur, NTT..
117

Perubahan Iklim Di NTT

Uploaded by

Copyright:

Available Formats

Perubahan Iklim Di NTT

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Perubahan Iklim Di NTT

Uploaded by

Copyright:

Available Formats

KERAGAMAN DAN

PERUBAHAN IKLIM DI NUSA

Kementrian Lingkungan Hidup dan Kehutanan

DAFTAR ISI ................................................................................................................................. IV

Lampiran 1 Peluang peningkatan curah hujan klimatologi bulanan periode 2041-2070 di

1.1 LATAR BELAKANG

1.2 RUANG LINGKUP DAN TUJUAN

2.1.1 Data Observasi Stasiun

2.1.2 Data Iklim Global

2.1.3 Data Re-Analysis

2.1.4 Data Hasil Model Iklim

2.2.1 Simulasi Model Iklim Regional

2.2.2 Rekonstruksi Data Curah Hujan Bulanan dari Data Global

Time periods Source of data

2.2.2.1 Koreksi Data CHIRPS dan Estimasi Nilai Maxima

a) Data CHIRPS sebelum dikoreksi b) Proses koreksi dan penentuan faktor

2.2.3 Analisis Keragaman dan Perubahan Iklim

2.2.4 Iklim Ekstrim dan Penentuan Ambang Batas

3.1 IKLIM HISTORIS DI NTT

3.1.1 Kondisi Klimatologi

a) Spatial Correlations (TRMM, 1998-2011) b) Spatial Correlations (CHIRPS, 1981-2010)

c) Spatial Regressions (TRMM, 1998-2011) d) Spatial Regressions (CHIRPS, 1981-2010)

3.1.3 Perubahan Iklim

3.1.4 Kejadian Iklim Ekstrim

3.2.1 Kondisi Klimatologi

3.2.2 Keragaman Iklim

3.2.3 Perubahan Iklim

3.2.3.3 Tren Temperatur Udara Minimum

3.2.3.5 Tren Curah Hujan Musim Hujan

3.2.3.7 Tren Awal Musim Hujan dan Awal Musim Kemarau

3.2.3.8 Tren Panjang Musim Hujan dan Musim Kemarau

3.2.4 Kejadian Iklim Ekstrim

3.2.4.2 Tren Frekuensi Kejadian Curah Hujan Harian ≥ 50 mm

3.2.4.3 Tren Frekuensi Kejadian Kecepatan Angin Maximum ≥ 45 km/jam

3.3.1 Kondisi Klimatologi

3.3.2 Keragaman Iklim

3.3.3 Perubahan Iklim

3.3.3.2 Tren Temperatur Udara Maximum

3.3.3.3 Tren Temperatur Udara Minimum

3.3.3.4 Tren Curah Hujan Tahunan

3.3.3.6 Tren Curah Hujan Musim Kemarau

3.3.4 Kejadian Iklim Ekstrim

3.3.4.3 Tren Frekuensi Kejadian Kecepatan Angin Maximum ≥ 45 km/jam

3.4 IKLIM HISTORIS DI KABUPATEN SUMBA TIMUR

3.4.1 Kondisi Klimatologi

3.4.1.2 Profil Curah Hujan

3.4.3.2 Tren Temperatur Udara Maximum

3.4.3.4 Tren Curah Hujan Tahunan

3.4.3.6 Tren Curah Hujan Musim Kemarau

3.4.4 Kejadian Iklim Ekstrim

3.4.4.3 Tren Frekuensi Kejadian Kecepatan Angin Maximum ≥ 45 km/jam

4.1 PROYEKSI PERUBAHAN IKLIM DI NTT

4.1.1 Proyeksi Suhu

4.1.2 Proyeksi Curah Hujan

4.2 PROYEKSI PERUBAHAN IKLIM DI KABUPATEN MANGGARAI

4.2.1 Proyeksi Suhu

Sebaran spasial proyeksi suhu udara rata-rata tahunan di Kabupaten Manggarai

4.2.3 Proyeksi Iklim Ekstrim

ID Indicator name Definitions UNITS