Wahyu Sulistiyono

Siklon Tropis Darian mulai teramati pada tanggal 18 Desember 2022 Pada Jam 12.00 UTC (Accuweather, 2022). Siklon tropis ini merupakan hasil pengembangan dari bibit Siklon Tropis 98S. Bibit Siklon Tropis 98S mengalami pertumbuhan signifikan sejak tanggal 18 Desember pada jam 00.00 UTC. Bibit Siklon Tropis 98S terpantau diwilayah perairan Samudera Hindia sebelah barat daya Lampung dengan letak astronomis yaitu 11.90LS dan 93.10BT. Kecepatan angin diarea sekitar pusaran Bibit Siklon memiliki nilai maksimum sebesar 25 Knots dan nilai tekanan udara pada Pusat Bibit Siklon sebesar 1001.9 Mb. Bibit siklon 98S menunjukkan pergerakan yang cenderung mengarah ke arah Selatan. Pada perkembangan bibit siklon ini menghasilkan dampak tidak langsung terhadap kondisi ketinggian gelombang diwilayah Indonesia. Beberapa wilayah perairan seperti perairan Kep. Nias

Berdasarkan analisis kondisi cuaca dan dinamika atmosfer di sekitar wilayah Jawa Timur,
menunjukkan kondisi yang tidak stabil dalam beberapa hari kedepan. Hal ini ditandai dengan
peningkatan nilai K-Index sebesar 35-38, disertai penurunan nilai Lifted Index hingga -6 sampai -
7, dan penurunan nilai Showalter index hingga -4. Berdasarkan data prakiraan cuaca numerik, pada
wilayah Laut Jawa terdapat belokan angin, dengan wilayah perlambatan angin terdapat pada
pesisir utara Jawa Timur. Berdasarkan Kondisi tersebut, kondisi ketidakstabilan atmosfer serta
perlambatan angin ini mampu meningkatkan potensi pertumbuhan awan hujan, dikarenakan proses
peningkatan pertumbuhan awan terjadi akibat penumpukan massa udara dibagian utara Jawa
Timur. Kondisi labilitas atmosfer di wilayah Jawa Timur akan berpengaruh terhadap
perkembangan awan konvektif menjadi awan Cumulonimbus yang berpengaruh dalam kondisi
cuaca skala lokal. Selain kondisi labilitas atmosfer dan pola angin, kondisi kelembaban udara pada
wilayah Jawa Timur juga mendukung pembentukan awan penghasil hujan, dikarenakan kondisi
kelembaban pada lapisan 850 Mb meningkat dengan nilai diatas 90%.

Hujan dan angin kencang yang melanda sebagian wilayah di Kabupaten Kudus menyebabkan sejumlah pohon tumbang diterjang angin. Seperti yang terjadi di RT 1 RW 9 Dukuh Kadilangon, Desa Gondangmanis, Keamatan Bae, Kudus. Sebuah pohon besar yang berada dipersawahan tumbang menimpa bentangan jaringan kabel listrik sehingga mengakibatkan sebuah tiang listrik yang juga menyangga travo terseret ikut tumbang, Selasa (13/12/2022). Mohammad, P. : Y. (2022, December 13). Angin Kencang tumbangkan pohon Robohkan tiang Listrik Dan timpa sepeda motor di Gondangmanis. ISKNEWS.COM. Retrieved December 19, 2022, from https://isknews.com/angin-kencangtumbangkan-pohon-robohkan-tiang-listrik-dan-timpa-sepeda-motor-digondangmanis/

Gelombang laut adalah pergerakan naik turunnya air laut yang diakibatkan oleh beberapa faktor seperti angin, gravitasi matahari & bulan, gempa di laut, letusan gunung berapi, pergerakan kapan dan lain sebagainya. Simulasi dan prediksi gelombang sangat penting dilakukan karena gelombang ekstrem berpotensi mengancam kehidupan manusia dan infrastruktur sosial (Hernandez dkk. 2007). Untuk mensimulasikan parameter gelombang dapat menggunakan simulating wave nearshore model (SWAN).

WAVEWATCH-III merupakan model yang dikembangkan oleh NOAA/NCEP yang
digunakan untuk memprakirakan/memperhitungkan gelombang laut. Model ini telah diverifikasi
dan diimplementasikan untuk banyak cekungan laut. Model WAVEWATCH-III dirunning empat
kali sehari untuk cekungan laut global dan regional. Sebagai contoh, implementasi model untuk
samudra atlantik mencakup tinggi gelombang signifikan, periode puncak gelombang, tinggi
gelombang angin laut, tinggi gelombang dan periode serta kecepatan dan arah angin.
Dibandingkan dengan model generasi ketiga lainnya, WAVEWATCH-III hindcast menunjukkan
kemampuan kinerja yang lebih tinggi.

Parameter yang dapat digunakan dalam analisis prakiraan cuaca dapat menggunakan data dari beberapa parameter dari skala Global hingga Lokal. Parameter yang digunakan dapat berupa indeks IOD, SOI, NINO3.4 dan MJO. Sementara faktor lokal dapat berupa RH pada tiap lapisan standar isobarik, kondisi angin tiap lapisan dan indeks stabilitas atmosfer.

WRFDA (Weather Research Forecast-Data Assimillation) merupakan salah satu
penerapan model prediksi cuaca numerik yang dilakukan dengan menggabungkan dua

data, yaitu dari data model dan data observasi. Dalam melakukan proses running WRF-
DA, ada beberapa pendekatan yang dilakukan, salah satunya adalah dengan

menggunakan pendekatan The Three-Dimensional Variation (3D-VAR).

Modul ini akan menjelaskan tentang cara melakukan proses running WRFDA-
3DVAR untuk sebuah data inputan, termasuk proses masuk ke dalam server HPC,

pengunduhan data input, pengeditan namelist, hingga menghasilkan output yang
diharapkan. Sehingga kedepannya, diharapkan penulis mampu melakukan running
sebuah data untuk menganalisis suatu komponen meteorologi menggunakan model
WRFDA.

Prakiraan cuaca konvensional pada awalnya hanya memanfaatkan komponen isopleth sebagai bahan pertimbangan prakiraan. Peta komponen isopleth umumnya terdiri dari peta isobar, isotherm serta isotach. Selain peta isopleth, komponen prakiraan cuaca konvensional juga menggunakan data pengamatan dalam rentang waktu panjang. Pengunaan data pengamatan dalam skala periode panjang dapat memberikan gambaran kondisi cuaca identik pada suatu wilayah. Seiring dengan berkembangnya kemajuan komputasi matematik, prakiraan cuaca berbasis komputasi numerik juga mulai meningkat. Prediksi cuaca numerik merupakan model prakiraan dengan tujuan menghasilkan data keluaran prediksi yang akurat serta memiliki akurasi baik dalam memprakirakan kondisi cuaca pada suatu wilayah (Kalnay, 2003). Prediksi cuaca numerik menggunakan metode persamaan differensial yang berhubungan dengan gerak atmosfer terutama persamaan gerak fluida (Lynch, 2010). Prediksi cuaca numerik berbasis komputasi ternayata masih memiliki nilai penyimpangan (error) terhadap data observasi, sehingga menurunkan nilai akurasi data yang dihasilkan (Goger dkk, 2016). Kondisi awal serta batas ketentuan yang digunakan sebagai data initial condition, sangat berpengaruh pada hasil keluaran prediksi (Kalnay, 2003). Data prediksi yang baik harus memiliki nilai error yang kecil serta akurasi yang tinggi, agar dihasilkan data keluaran yang menggambarkan kondisi sebenarnya (Junnaedhi, 2008). Sistem prediksi cuaca numeric yang paling familiar digunakan adalah Weather Research and Forecasting (WRF). Prediksi cuaca numeric berbasis WRF memiliki kelebihan dalam hal fleksibilitas serta lebih efisien, karena dapat dioperasikan pada perangkat PC (Personal Computer) untuk mempelajari hubungan serta dinamika atmosfer pada skala meter hingga ribuan kilometer (Skamarock dkk., 2008). Model prakiraan berbasis WRF dapat disesuaikan dan dikonfigurasikan sesuai kondisi spasial pada suatu daerah, karena model WRF bersifat open source. Namun, model ini masih memiliki kekurangan dalam memprakirakan suatu kondisi cuaca dengan ditandai adanya penyimpangan. Selain faktor kondisi awal, pengaruh resolusi data inputan, dan pemilihan skema juga berpengaruh dalam menentukan penyimpanagan pada hasil model WRF. Solusi untuk meningkatkan akurasi data keluaran WRF model dapat dilakukan melalui proses asimilasi. Asimilasi ini berfungsi untuk mengatur data kondisi awal sesuai dengan karakteristik cuaca pada wilayah kajian, dengan menggunakan semua informasi yang tersedia untuk meningkatkan akurasi produk keluaran WRF (Talagrand, 1997). Asimilasi data pada model WRF dapat dilakukan dengan menggunakan program WRF-Data Assimilation. Program WRFDA tersedia dengan 3 metode, yaitu metode 3DVar, 4DVar dan Ensemble Kalman Filter (Skamarock dkk, 2008) Pada praktikum kali ini, user akan melakukan pengolahan data prediksi cuaca numeric berbasis WRF model dengan menggunakan WRF-Data Assimilation. Asimilasi yang dilakukan pada praktikum ini menggunakan data observasi AWS dari 32 perangkat AWS yang tersedia diwilayah Indonesia.

Badai Petir (Thunderstorm) secara umum diklasifikasikan menjadi 3 tipe, yaitu Single Cell
(Ordinary Cell), Multicell dan Supercell (NOAA, 2013). Tipe badai petir yang ada diwilayah
tropis umumnya tipe Single Cell, dan Multicell. Sementara, badai petir tipe Supercell merupakan
fenomena langka yang terjadi diwilayah tropis (MetEd, 2013). Fenomena badai petir tipe supercell
sulit terjadi diwilayah tropis dikarenakan dalam pembentukan badai ini diperlukan windshear yang
cukup banyak untuk membangkitkan pusaran mesocyclone (pusaran updraft yang kuat) untuk
menguatkan struktur kluster awan konvektif menjadi sistem awan supercell (Barton, 2021). Selain
itu, sistem supercell ini membutuhkan energi CAPE (Convective Available Potential Energy) yang
tinggi, dimana nilai indeks labilitas CAPE dan windshear yang kuat dapat terjadi pada wilayah
lintang menengah dan jarang terjadi pada wilayah tropis.

Siklon Tropis Amphan merupakan badai siklonik pertama yang terjadi
di Teluk Benggala dengan kecepatan angin mencapai lebih dari 200
Km/Jam, sejak kejadian siklon tropis Odisha pada 1999 (Gopal et al,
2021).
Pembentukan area bertekanan rendah yang memicu pertumbuhan
bibit siklon Amphan telah terdeteksi pada tanggal 13 Mei. Kondisi
diwilayah bertekanan rendah tersebut juga didukung oleh kondisi suhu
muka laut yang hangat dengan kisaran nilai 32-34 derajat celcius, dan
terdapat windshear vertical pada lapisan permukaan sehingga
mendukung pembentukan siklon tropis pada tanggal 16 Mei.

Pembentukan awan cumulonimbus diawali
dengan terbentuknya susunan awan cumulus, akibat adanya pengangkatan massa udara yang
mengembun (berkondensasi) di atmosfer. Adanya ketidakstabilan pada atmosfer menyebabkan
terbentuknya awan cumulonimbus yang bertumbuh secara vertikal. Pergerakan udara yang
bergerak ke atas turut andil dalam pembentukan awan ini, dikarenakan pergerakan udara ini
berfungsi untuk menjaga tetesan air dan kristal es agar tetap terkandung dalam lapisan awan
cumulonimbus. Akibat kondisi massa struktur awan yang sudah jenuh dan bertambah bebannya,
sebagian struktur awan mengalami peluruhan yang menjadi presipitasi berupa hujan.

Pada hasil praktek berikut, disajikan tabel Model E dan Model D yang merupakan bagian tabel Aerodrome Climate Summary (ACS). Tabel Model E disusun berdasarkan catatan suhu udara selama Bulan Juni tahun 2021 pada data pengamatan sinoptik Stasiun Meteorologi Budiarto. Sementara tabel model D disusun berdasarkan data arah & kecepatan angin (ddfff) dari Stasiun Meteorologi Budiarto

Siklon tropis diartikan sebagai sistem tekanan rendah yang terjadi bukan karena front (non-front) memiliki skala sinoptik, dan sistem ini tumbuh di atas perairan hangat dengan wilayah perawanan konvektif dan kecepatan angin maksimum sekurangnya 34 knot pada lebih dari setengah wilayah yang melingkari pusatnya. Radius rata-rata siklon tropis mencapai 150 hingga 200 km. Siklon tropis terbentuk di atas lautan luas yang umumnya mempunyai suhu permukaan air laut hangat, lebih dari 26.5°C (Syaifullah, 2015). Siklon Tropis Paddy merupakan jenis siklon tropis yang berkembang dari perkembangan bibit siklon 90S. Bibit Siklon ini mulai terdeteksi pada tanggal 17 November 2021 di Sekitar selatan Samudra Hindia atau disebelah selatan pulau jawa. Pada tanggal 22 November Jam 16.00 WIB bibit siklon 90S telah berkembang menjadi Siklon Tropis Paddy yang berkembang di Samudra Hindia pada bagian selatan pulau jawa, pada posisi 13.3 LS, 108.0 BT. Kecepatan angin maksimum di sekitar pusat Siklon Tropis Paddy mencapai 40 knot (75 km/jam) dengan tekanan udara minimum di sekitar pusatnya sekitar 997 mb. Siklon Tropis Paddy bergerak dengan kecepatan sekitar 8 km/jam ke arah selatan dan semakin menjauhi wilayah Indonesia (TCWC, 2021).

Berdasarkan perbandingan antara angin zonal dan nilai Curah hujan, terlihat adanya hubungan Angin Monsun Barat terhadap peningkatan nilai Curah hujan, selama fase angin monsun barat pada Bulan Januari-Maret dan Bulan Oktober-Desember terjadi peningkatan nilai Curah hujan, dimana nilai Curah hujan melampaui 0.4 mm/hr pada bulan-bulan tersebut. Peningkatan Curah hujan ini dikarenakan pengaruh monsun barat yang membawa banyak uap air dari Samudra Pasifik Terjadinya monsun barat berarti musim hujan.
Berbanding terbalik pada fase angin monsun timur, pada bulan-bulan terjadinya monsun timur, yaitu Bulan April-September terlihat adanya penurunan Curah hujan, hingga terdapat bulan tanpa hujan yaitu pada Bulan Juli, namun pada Bulan Juni terjadi peningkatan Curah hujan, dengan nilai Curah hujan pada Bulan Juni terukur sebesar 0.5 mm/hr.
Berdasarkan analisa yang telah dijelaskan, dapat disimpulkan bahwa pola musim di Kota Klaten dikategorikan sebagai Pola Monsunal, dimana angin monsun barat berpengaruh dalam meningkatkan Curah hujan, dan angin monsun timur berperan dalam menurunkan nilai Curah hujan bulanan.

Studi dan evaluasi tentang perubahan iklim secara tradisional menggunakan rekaman data yang panjang minimal sekitar 30 tahun. Ada dua unsur iklim yang sering dijadikan sebagai prediktor perubahan iklim yaitu suhu udara dan curah hujan World Meteorological Organization (WMO) dalam Provisional Statement on the Status of the Global Climate in 2019 menyatakan bahwa kenaikan suhu rata-rata global Januari hingga Oktober 2019 sekitar 1,1 ± 0,1°C di atas tingkat pra-industri dan berdasarkan laporan Intergovernmental Panel on Climate Change (IPCC) pemanasan akibat ulah manusia mencapai sekitar 0,8°C.
Selain itu Dengan semakin meningkatnya suhu bumi, proses evaporasi juga akan berlangsung lebih cepat. Hal ini berdampak pada tersedianya banyak air di udara yang berpotensi menimbulkan badai, namun juga berkontribusi pada proses terjadinya kekeringan di beberapa wilayah tertentu. Sebagai hasilnya, pada wilayah yang dipengaruhi badai akan memungkinkan terjadinya peningkatan kecenderungan hujan dan potensi banjir. Tetapi pada area yang jauh dari area badai akan memungkinkan terjadinya penurunan kecenderungan hujan dan peningkatan resiko kekeringan (EPA, 2009).
Perubahan suhu rata-rata dan juga curah hujan yang berkaitan dengan perubahan iklim ini perlu mendapatkan perhatian yang lebih serius karena dampaknya akan berpengaruh terhadap aktivitas manusia dan ekosistem alam. Oleh karenanya, diperlukan pendeteksian terhadap fenomena ini. Berdasarkan dari beberapa penelitian yang sudah dilakukan sebelumnya, pendeteksian perubahan iklim secara sederhana dapat dilakukan dengan analisis kecenderungan atau tes perubahan. Salah satu metode yang digunakan oleh peneliti tersebut adalah pengujian tren nonparametrik Mann-Kendall.
Oleh karena itu, praktikum ini dilakukan untuk  menilai perubahan iklim secara sederhana berdasarkan deteksi kecenderungan terhadap suhu udara harian dan curah hujan bulanan selama 30 tahun menggunakan metode parametrik regresi linier dan nonparametrik uji Mann-Kendall. Dengan praktikum ini, diharapkan dapat mengetahui kecenderungan suatu data iklim, terutama dalam hal ini data iklim di Kota Palembang selama tahun 1985-2015 dengan menggunakan metode uji Mann-Kendall.

Dalam kajian perubahan iklim diperlukan penilaian terhadap trend dan analisis pola musiman yang memerlukan rekaman data lebih dari 30 tahun. Selama periode pengumpulan data tersebut, rentan sekali muncul kejadian-kejadian yang berasal dari faktor non-iklim yang menyebabkan data menjadi tidak teratur atau tidak homogen. Kejadian-kejadian tersebut diantaranya, Kejadian pergantian pengamat yang memungkinkan data yang tercatat mengandung pembulatan angka yang berbeda, karena perbedaan presepsi prosedur pengambilan data oleh pengamat. Selain itu adanya pergantian alat yang didasarkan pada kalibrasi alat, yaitu kemampuan alat baru untuk mengukur lebih akurat daripada alat yang sebelumnya. Pergantian lokasi alat/stasiun menyebabkan ketinggian lokasi pengamatan yang berbeda dan berubahnya kondisi lingkungan lokasi perekaman data, sehingga data yang terukur juga akan berbeda. Kejadian-kejadian inilah yang merupakan penyebab ketidakkontinyuan seri data atau ketidakhomogenan data sehingga kurang akurat jika dijadikan bahan kajian atau studi lanjutan Karena ketidakhomogenan data (data inhomogenity) dapat menyebabkan kesalahan dalam menginterpretasikan hasil analisis iklim.
Untuk itu, dalam melakukan analisis trend dan analisis kajian perubahan iklim lainnya agar hasil penelitian tidak terjadi misinterpretasi, Homogenitas data sangatlah diperlukan. Kegiatan untuk menjaga homogenitas data disebut dengan proses homogenisasi data. Homogenisasi data merupakan bagian dari kegiatan prapemrosesan atau pengendalian kualitas. Pengendalian kualitas data menurut WMO terdiri dari gross error check, tolerancy test, internal consistency, temporal coherency, dan spasial coherency. Dua di antara lima tahap tersebut merupakan bagian penting dari metode homogenisasi data yaitu temporal coherency dan spasial coherency.
Menurut Venema (2012), Karakteristik utama dari metode–metode homogenisasi yang dipublikasikan oleh WMO, diantaranya adalah ACMANT, Climatol, MASH, Prodigde, USHCN, Rhtest, dan HOMER. Berdasarkan penilaian Venema (2012) dan Ribeiro (2015), yang menyatakan bahwa prosedur ACMANT (Adapted Caussian-Mestre Algorithm for homoge-nising Networks of Temperature series) versi terbaru memiliki kemampuan menghomogenkan data temperatur paling baik. Metode ACMANT mengaplikasikan metode relatif, dimana stasiun kandidat yang akan dihomogenkan membutuhkan referensi data dari stasiun lain di sekitarnya. ACMANT memiliki kemampuan mendeteksi multiple break point yang cenderung memiliki keunggulan dibandingkan dengan metode homogenisasi yang hanya melakukan deteksi single break point.
Oleh karena itu, Pada praktikum kali ini dilakukan pengendalian kualitas data iklim, dalam hal ini data temperatur dari empat stasiun BMKG yang berkorelasi secara spasial dengan melakukan homogenisasi data menggunakan ACMANT. Praktikum ini dilakukan untuk menghomogenisasi data iklim yang memilliki rentang waktu lebih dari 30 tahun, agar dapat digunakan dalam analisis trend dan perubahan iklim sehingga tidak terjadi misinterpretasi dari hasil analisis tersebut.

Data yang digunakan dalam kajian iklim tidak semua menunjukkan pergerakan yang konstan ada waktunya data bergerak secara dinamis, data mengalami kenaikan nilai dan penurunan nilai dalam waktu yang tertentu. Akibat pergerakan data yang dinamis ini sulit diidentifikasi faktor apa yang menyebabkan data berubah pola pergerakannya. Untuk mengetahui penyebab perubahan pergerakan data tersebut maka diperlukan pengujian analisa seasonal dan analisis kekuatan trend yang dapat dilakukan melalui metode STL (Seasonal Trend Decomposition using Loess) yang mendekomposisi menjadi 3 komponen terpisah yaitu komponen residu,komponen trend dan juga komponen seasonal (Cleveland, Cleveland, McRae, & Terpenning, 1990).

Dalam melakukan kajian terhadap perubahan iklim terlebih dahulu diperlukan data iklim itu sendiri, data iklim yang digunakan merupakan kumpulan dari hasil data pengamatan cuaca harian dalam rentang periode yang cukup panjang umumnya untuk melihat indikasi perubahan iklim menggunakan data Pengamatan Akumulatif Selama 30 Tahun (Susilokarti & Arif, 2015). Ada beberapa data yang dapat digunakan dalam melihat perubahan Iklim dalam rentang waktu yang panjang Seperti Data Curah Hujan dan Data Suhu rata rata harian, kedua data ini dapat digunakan sebagai prediktor dalam analisa perubahan iklim. Pergeseran musim penghujan dan musim kemarau dapat dideteksi melalui parameter cuaca, sementara peningkatan suhu udara dapat dilihat melalui pola kenaikan suhu dalam rentang waktu yang telah ditentukan (Nihayatin, 2013). Setelah memperoleh data iklim, data iklim ini tidak bisa langsung digunakan untuk menganalisis perubahan iklim seringkali ditemui beberapa permasalahan dalam Data Iklim yang diproleh. Permasalahan tersebut antara lain Missing Data (data parameter yang hilang pada suatu waktu), dan data iklim yang diproleh tidak homogen. Data yang tidak homogen memiliki nilai keakuratan yang kecil dikarenakan memiliki penyimpangan yang berpengaruh pada data tersebut. Tingkat Homogenitas data yang kecil menyebabkan data tersebut tidak dapat mewakili kondisi iklim pada lokasi penelitian.

Dalam melakukan kajian terhadap perubahan iklim terlebih dahulu memerlukan data iklim yang akan dikaji, data iklim yang digunakan merupakan kumpulan dari hasil data pengamatan cuaca harian dalam rentang periode yang cukup panjang umumnya untuk melihat indikasi perubahan iklim menggunakan data Pengamatan Akumulatif Selama 30 Tahun (Susilokarti & Arif, 2015). Ada beberapa data yang dapat digunakan dalam melihat perubahan Iklim dalam rentang waktu yang panjang Seperti Data Curah Hujan dan Data Suhu rata rata harian, kedua data ini dapat digunakan sebagai prediktor dalam analisa perubahan iklim. Pergeseran musim penghujan dan musim kemarau dapat dideteksi melalui parameter cuaca, sementara peningkatan suhu udara dapat dilihat melalui pola kenaikan suhu dalam rentang waktu yang telah ditentukan (Nihayatin, 2013).
Sebelum melakukan analisa perubahan iklim lebih lanjut, hendaknya dilakukan Uji Stasioner terhadap data iklim yang telah dimiliki. Data iklim dalam time series dikatakan stasioner jika rata-rata, varian dan kovarian pada setiap lag adalah tetap sama pada setiap waktu. Terdapat beberapa metode dalam Uji Stasionaritas. Berkembangnya metode dalam uji stasionaritas ini seiring dengan penggunaan data terhadap kajian yang berkelanjutan pada data time series. Metode yang banyak digunakan untuk menguji masalah stasioner data adalah dengan menggunakan metode plot, dan uji akar unit atau unit root test (Widarjono, 2013). Namun dalam pratikum kali ini akan menggunakan total 3 Uji stasioner.

Studi tentang perubahan iklim menjadi suatu topik yang perlu dikaji pada masa sekarang ini begitu pula di Indonesia. Normalnya sistem iklim di Indonesia dipengaruhi oleh sistem iklim monsun, sistem iklim inilah yang menyebabkan adanya 2 musim di Indonesia yaitu musim kemarau dan penghujan (Susilokarti & Arif, 2015). Karena Iklim di Indonesia dipengaruhi oleh sistem iklim monsoon yang menyebabkan negara ini mempunyai pergantian musim secara periodik setiap tahunnya. Pergantian musim secara periodik ini seharusnya dapat memudahkan para prakirawan dalam menentukan awal musim baik itu awal musim hujan maupun musim kemarau.
Pada Umumnya Periode Musim Kemarau berlangsung pada Bulan April - September dan Musim Hujan terjadi pada bulan Maret - Oktober, perubahan musim ini Mengikuti Gerak Semu Tahunan Matahari (Adikusumah, 2012). Namun sekarang panjang pendeknya periode musim hujan dan awal musim kemarau tidak menentu, hal ini sering dikaitkan dengan perubahan iklim. Perubahan iklim menyebabkan terjadinya Perubahan Pola Hujan yang menyebabkan terjadinya pergeseran awal Musim Hujan (Susilokarti & Arif, 2015).
Akibat dari adanya Pergeseran Musim hujan tersebut, maka perlu dilakukan analisa data iklim yang berasal dari data cuaca harian yang disusun dalam deret waktu sesuai urutan waktu. Data yang digunakan merupakan data cuaca harian dalam rentang waktu 30 tahun, data yang diambil dapat digunakan diharapkan dapat memberikan informasi mengenai perubahan pola hujan, rentang suhu, dan nilai kelembaban dari tahun ke tahun. Sehingga hasil analisis data tersebut dapat juga digunakan dalam menentukan penyebab perubahan tersebut.

Pengamatan meteorologi udara atas atau yang sering disebut dengan upper air observations adalah pengamatan parameter-parameter cuaca di lapisan atas, dimana pengamatan udara atas dapat diperoleh dari pengamatan Radiosonde (Rason) dan pengamatan Pilot Balon (Pibal).
Pengamatan udara atas sangat diperlukan untuk mengetahui profil udara atas beserta aspek aspek yang ada di dalamnya. Pengamatan ini dilakukan salah satunya dengan menggunakan alat Pilot Balon (pibal). Pilot Balon merupakan instrumen penting dalam menentukan arah dan kecepatan angin pada lapisan udara atas. Sandi Pilot Balon merupakan hasil pengamatan Pibal yang telah dicatat kemudian dikonversikan dalam bentuk sandi. Sandi Pilot Balon berfungsi untuk memudahkan pencatatan arah dan kecepatan angin serta untuk memudahkan pertukaran data antar stasiun.

Pengamatan udara permukaan merupakan pengamatan kondisi unsur – unsur cuaca di
atmosfer bawah dekat permukaan bumi. Ketinggian atmosfer dalam pengamatan udara
permukaan adalah setinggi 10 m dari permukaan tanah. Unsur – unsur cuaca yang diamati pada
pengamatan udara permukaan adalah suhu udara, kelembaban udara, tekanan udara, arah dan
kecepatan angin, lama penyinaran matahari, besar radiasi matahari, laju penguapan, curah hujan,
dan tutupan awan. Alat pengamatan udara permukaan yang digunakan adalah Psycrometer yang
berada di dalam Sangkar Meteorologi, Penakar Hujan, Anenometer, Campbell Stokes, Pan
Evaporimeter, Barometer, dan Automatic Weather Station (AWS).

Siklon Kompasu awalnya teramati sekitar pada tanggal 8 Oktober terbentuk di sekitar wilayah Samudra Pasifik Barat sebelah timur Filipina, tepatnya di 13.8 LU, 131.5 BT dengan kecepatan angin maksimum di sekitar sistemnya mencapai 35 knots (65 km/jam) dan tekanan udara pada pusat pusaran siklon terpantau sebesar 998 hpa. Siklon Kompasu sendiri menyebabkan bebrbagai dampak terhadap cuaca di wilayah Benua Maritim Indonesia (BMI), yaitu peningkatan curah hujan dan angina kencang. Siklon Tropis KOMPASU memberikan dampak tidak langsung terhadap kondisi cuaca di wilayah Indonesia berupa, potensi hujan dengan intensitas sedang-lebat di wilayah Provinsi Aceh, Riau, Jambi, Kep. Riau dan Kalimantan Barat, Kenaikan Gelombang laut dengan ketinggian 1.25 - 2.5 meter di Laut Natuna Utara, Laut Sulawesi bagian barat, dan Samudra Pasifik utara Halmahera hingga Papua dan dampak berikutnya yaitu Kenaikan Gelombang laut dengan ketinggian 2.5 - 4.0 meter di Perairan barat dan utara Aceh, Selat Malaka Utara (BMKG, 2021).

Pada tulisan ini dibahas mengenai Kondisi Atmosfer (Upper air conditions) saat Kejadian hujan lebat di Klaten Pada Tanggal 4 Februari 2021. Aspek parameter yang diamati yaitu, Kelembaban Relatif & Kelembaban Spesifik untuk mengamati pada lapisan tekanan berapa awan mulai terbentuk, Suhu Vertikal untuk melihat kelabilitas lapisan tekanan, nilai Vertical Velocity sebagai indikator kekuatan updraft dan downdraft yang mendukung pembentukan awan konvektif hingga menjadi awan Cumulonimbus. Terakhir yaitu nilai CAPE dan CIN sebagai indikator kekuatan konvektif yang mendukung terbentuknya awan.

Laporan QAM merupakan Met Report yang sifatnya khusus dan berisi mengenai laporan parameter meteorologi. Parameter meteorologi yang dilaporkan berupa parameter Kecepatan angin dan arah angin permukaan, parameter Visibility (Jarak Pandang), parameter Jarak Pandang Runway Bandara, Jumlah awan, tipe awan dan tinggi dasar awan, parameter cuaca terkini (Present Weather), parameter suhu udara dan titik embun, Nilai tekanan udara dan terakhir informasi tambahan dari forecaster. Laporan QAM dilaporkan saat pesawat akan melakukan Take-off dan Landing pada Runway.

Penerimaan panas Maksimum dan Minimum tidak terjadi secara bersamaan di wilayah Belahan Bumi Bagian Utara (BBU) dan Belahan Bumi Bagian Selatan (BBS), untuk penerimaan panas Maksimum diwilayah BBU berlangsung pada akhir Maret hingga Bulan September, dan pada BBS penerimaan panas matahari Maksimum berlangsung pada Bulan Oktober hingga awal Bulan Maret.

Banjir yang terjadi akibat Hujan Deras yang terjadi di Kota Bandung, dapat dianalisis melalui hubungan antara Panas Laten permukaan, Indeks K dan Indeks Total terhadap perkembangan awan konvektif. Data ini dapat diakses melalui hasil Reanalysis ERA-5 pada pranala berikut. Berikut tampilan data yang disajikan dalam bentuk grafik.

Pemanasan akibat radiasi sinar matahari saat siang, membuat surface layer menghangat sehingga menyebabkan massa udara menghangat lalu bergerak naik ke atas secara vertikal, massa udara hangat ini lalu naik dan bercampur dengan massa udara yang memiliki suhu berbeda sehingga menimbulkan turbulensi pada mixed layer. Umumnya ketinggian mixed layer pada malam hari lebih kecil daripada siang hari. Namun ada beberapa kondisi dimana mixed layer ketinggiannya berkembang akibat pelepasan panas laten saat siang hari.

Pengamatan radiosonde merupakan pengamatan variabel meteorologi di udara atas (tekanan atmosfer, suhu, kelembapan, dan angin horizontal) menggunakan radiosonde (instrumen yang dibawa oleh balon melalui atmosfer, dilengkapi dengan perangkat pengukur suhu dan beberapa variabel meteorologi), yang dilakukan di stasiun radiosonde.

Arus pemukaan (Ocean Surface Currents) adalah pergerakan massa air secara horizontal dari suatu tempat ke tempat yang lain, yang bergerak pada kedalaman 0-400 Meter. Ada beberapa faktor yang mempengaruhi Arus permukaan yaitu Pergerakan Angin, Rotasi Bumi (Gaya Coriolis) dan Batimetri Lautan.

Cara dalam memprediksi jalur perambatan GEM (Gelombang Elektromagnetik) yang dipancarkan Radar Cuaca sebenarnya dapat dilakukan dengan mengestimasi nilai refraktivitas pada lapisan atmosfer. Untuk mengetahui nilai refraktivitas pada tiap lapisan atmosfer dapat dilakukan dengan menggunakan data Upper Air Sounding yang dihasilkan dari pengamatan menggunakan Radiosonde. Data hasil pengamatan Radiosonde yang berupa suhu udara, tekanan udara serta nilai tekanan uap dapat digunakan untuk mengestimasi nilai index refraktivitas pada setiap lapisan atmosfer.

Data synop yang langsung diunduh dari laman web seringkali mengalami permasalahan seperti kewajiban meregistrasi akun terlebih dahulu maupun menu yang membingungkan. Sehubungan dengan hal tersebut, dibuatlah sebuah coding program menggunakan bahasa pemrograman python versi 3.7 yang dapat megunduh data synop menggunakan skrip sederhana maupun skrip kompleks, sehingga dapat digunakan untuk keperluan berbagai bidang.

Model analisis atmosfer adalah representasi ideal dari sistem cuaca yang membantu pengguna sebagai forecaster untuk memvisualisasikan sistem cuaca, cuaca yang terkait, dan evolusinya. Hal Ini memberikan distribusi dalam waktu dan ruang seperti apa sistem itu dalam tiga dimensi. Hal Ini dapat membantu forecaster memahami sistem tersebut dan bagaimana melihat data sebenarnya melalui output model prakiraan komputer.

Parameter turunan adalah kuantitas dinamis, kinematik, atau termodinamika yang dapat dihitung dari data cuaca yang diamati atau dari output model perkiraan data cuaca. Parameter ini bermanfaat dalam mengevaluasi kondisi atmosfer saat ini dan di masa depan.