Perubahan iklim global telah meningkatkan frekuensi kejadian hujan ekstrem, mengubah banjir perkotaan dari bencana langka menjadi krisis rutin di banyak kota besar dunia. Chennai, sebagai kota pesisir utama di India, menjadi contoh nyata kota yang sangat bergantung pada musim hujan namun juga sangat rentan terhadap variabilitas dan ekstremitas curah hujan. Dalam konteks inilah, paper karya M. Manoprabha dan Joel Jossy dari Central University of Tamil Nadu menjadi sangat relevan, karena menawarkan pendekatan data-driven untuk memahami pola dan memprediksi curah hujan perkotaan dengan presisi tinggi menggunakan analisis deret waktu dan teknik machine learning13.
Tujuan dan Kontribusi Penelitian
Penelitian ini bertujuan mengidentifikasi metode peramalan paling efektif untuk data curah hujan musiman yang sangat fluktuatif, dengan fokus pada data bulanan Chennai selama lebih dari satu abad (1901–2021). Kontribusi utamanya adalah integrasi teknik clustering (pengelompokan) dengan model peramalan deret waktu, sehingga mampu menangkap pola musiman dan tren jangka panjang yang tersembunyi dalam data curah hujan kota13.
Studi Kasus: Chennai dan Tantangan Curah Hujan Ekstrem
Latar Belakang
Chennai memiliki iklim tropis basah dan kering, dengan ketergantungan tinggi pada musim monsun untuk kebutuhan air dan pertanian. Namun, variabilitas curah hujan – mulai dari banjir besar hingga kekeringan berkepanjangan – menimbulkan tantangan besar bagi perencanaan kota, mitigasi bencana, dan pengelolaan sumber daya air15. Kota ini mencatat rata-rata curah hujan tahunan sekitar 1220 mm, dengan sebagian besar hujan turun selama musim monsun timur laut (Oktober–Desember)5.
Metodologi: Kombinasi Clustering dan Model Peramalan Deret Waktu
1. Pengumpulan dan Visualisasi Data
Data curah hujan bulanan Chennai dari 1901 hingga 2021 diunduh dari sumber terbuka dan divalidasi untuk memastikan kelengkapan dan akurasi2. Visualisasi awal data menampilkan fluktuasi curah hujan yang sangat nyata, dengan periode kelimpahan dan kekeringan yang berulang secara musiman dan dekadal13.
2. Clustering Pola Musiman
Teknik K-means clustering diterapkan pada komponen musiman data untuk mengelompokkan pola curah hujan yang serupa. Hasilnya, data terbagi menjadi tujuh cluster yang masing-masing merepresentasikan rezim curah hujan berbeda, mulai dari pola rendah, sedang, hingga ekstrem1.
- Cluster 2: Rata-rata curah hujan hanya 7,64 mm, menandakan musim kering ekstrem.
- Cluster 6: Rata-rata curah hujan 817,22 mm, mencerminkan musim hujan sangat lebat.
- Cluster lain: Mewakili variasi antara kedua ekstrem tersebut, dengan distribusi data yang relatif seimbang.
Clustering ini sangat berguna untuk mengidentifikasi periode risiko tinggi banjir atau kekeringan, serta membantu perencanaan infrastruktur berbasis data.
3. Perbandingan Tiga Model Peramalan
Penelitian ini membandingkan tiga model utama:
- SARIMA (Seasonal Auto-Regressive Integrated Moving Average): Model statistik klasik yang mengakomodasi komponen musiman dan non-musiman.
- STL Decomposition (Seasonal-Trend decomposition using LOESS): Memisahkan komponen tren, musiman, dan residual menggunakan regresi lokal.
- Seasonal Naïve Forecasting: Menggunakan data musim sebelumnya sebagai prediksi untuk musim berikutnya.
Kinerja model dievaluasi menggunakan tiga metrik utama:
- Mean Absolute Error (MAE)
- Root Mean Squared Error (RMSE)
- Mean Absolute Scaled Error (MASE)
Hasilnya:
- STL decomposition unggul dengan MAE 67,99, RMSE 125,03, dan MASE 0,67.
- SARIMA dan Seasonal Naïve tertinggal dengan error yang lebih tinggi, membuktikan keunggulan STL decomposition dalam menangkap pola musiman yang kompleks dan non-linear13.
Studi Kasus Angka dan Temuan Kunci
Analisis Cluster
Dari 1450 data bulanan:
- Cluster 2 (musim kering): 43,87% data, rata-rata 7,64 mm.
- Cluster 6 (musim hujan ekstrem): 9,71% data, rata-rata 817,22 mm.
- Cluster 1 (musim sedang): 15,43% data, rata-rata 127,61 mm.
Distribusi ini menegaskan bahwa Chennai lebih sering mengalami musim kering, namun tetap memiliki risiko tinggi hujan ekstrem yang berpotensi menimbulkan banjir besar.
Validasi Model dan Konsistensi Pola
Setelah dilakukan peramalan menggunakan STL decomposition untuk periode 2011–2021, hasil prediksi dibandingkan dengan data aktual. Nilai Adjusted Rand Index (ARI) sebesar 0,95 menunjukkan konsistensi tinggi antara pola cluster aktual dan hasil peramalan, membuktikan bahwa model ini sangat efektif dalam menangkap pola musiman jangka panjang13.
Implikasi Praktis dan Nilai Tambah
Untuk Perencana Kota dan Mitigasi Bencana
- Identifikasi Pola Risiko: Dengan tujuh cluster pola hujan, perencana kota dapat mengembangkan strategi drainase, penyimpanan air, dan mitigasi banjir yang disesuaikan dengan rezim curah hujan spesifik.
- Prediksi Musiman Akurat: STL decomposition memungkinkan prediksi curah hujan musiman yang lebih presisi, membantu pengambilan keputusan berbasis data untuk kesiapsiagaan bencana.
Untuk Industri dan Inovasi
- Replikasi di Kota Lain: Metodologi ini dapat diterapkan di kota-kota lain di Asia Tenggara yang memiliki karakteristik musiman serupa, termasuk Jakarta, Surabaya, atau Bangkok.
- Integrasi dengan Smart City: Hasil prediksi dapat diintegrasikan dengan sistem peringatan dini berbasis IoT untuk manajemen banjir dan distribusi air kota.
Perbandingan dengan Studi Lain
Penelitian lain di Chennai mengonfirmasi bahwa curah hujan harian dan mingguan memiliki perilaku chaotic, sehingga prediksi jangka pendek sangat menantang5. Namun, dengan pendekatan STL decomposition dan clustering, prediksi musiman dan tahunan menjadi jauh lebih andal dan informatif.
Kritik dan Batasan Penelitian
- Resolusi Data: Penelitian menggunakan data bulanan, sehingga kurang sensitif untuk mendeteksi kejadian ekstrem harian seperti banjir kilat. Studi lanjutan menggunakan data harian atau jam-jaman akan meningkatkan akurasi prediksi ekstrem.
- Faktor Eksternal: Model tidak secara eksplisit mengakomodasi perubahan tata guna lahan, urbanisasi, atau intervensi manusia lain yang dapat memengaruhi pola curah hujan lokal.
- Generalisasi: Meskipun sangat efektif untuk Chennai, model perlu diuji di wilayah lain dengan karakteristik iklim berbeda untuk memastikan generalisasi metodologi.
Rekomendasi dan Saran Pengembangan
- Integrasi Data Resolusi Tinggi: Menggabungkan data harian/jam-jaman dan data satelit untuk meningkatkan deteksi anomali dan prediksi ekstrem.
- Kolaborasi Lintas Disiplin: Mengintegrasikan model hidrologi dan urban planning untuk solusi mitigasi banjir yang lebih komprehensif.
- Edukasi dan Advokasi: Pemerintah kota perlu memanfaatkan hasil penelitian ini untuk merancang kebijakan berbasis data dan meningkatkan kesadaran publik tentang risiko iklim.
Simulasi Dampak: Bagaimana Prediksi Ini Bisa Menyelamatkan Kota?
Jika sistem prediksi berbasis STL decomposition dan clustering ini diadopsi secara luas:
- Kesiapsiagaan banjir meningkat: Kota dapat mengantisipasi musim hujan ekstrem dan menyiapkan infrastruktur drainase serta sistem peringatan dini.
- Pengelolaan air lebih efisien: Prediksi musim kering membantu perencanaan distribusi air dan konservasi sumber daya air kota.
- Pengurangan kerugian ekonomi: Dengan prediksi yang lebih akurat, kerugian akibat banjir atau kekeringan dapat ditekan secara signifikan.
Kesimpulan: Menjawab Tantangan Urbanisasi dan Iklim dengan Data
Penelitian ini membuktikan bahwa integrasi clustering dan STL decomposition adalah pendekatan paling efektif untuk memahami dan memprediksi pola curah hujan musiman yang kompleks di kota besar seperti Chennai. Dengan MAE hanya 67,99 mm dan RMSE 125,03 mm, model ini menawarkan akurasi tinggi yang sangat dibutuhkan untuk perencanaan kota berkelanjutan dan mitigasi risiko iklim. Metodologi ini sangat relevan untuk kota-kota di Asia Tenggara yang menghadapi tantangan serupa, dan dapat menjadi fondasi bagi pengembangan sistem prediksi cuaca perkotaan berbasis data di masa depan.
Sumber Artikel (Bahasa Asli)
M. Manoprabha dan Joel Jossy. "Unraveling Pattern and Forecasting Urban Rainfall Using Time Series Analysis." International Journal of Advanced Research (IJAR), Vol. 13(03), 1061-1072, Maret 2025. Department of Statistics and Applied Mathematics, Central University of Tamil Nadu, Thiruvarur.