BEBERAPA CARA MENENTUKAN INDEKS KEKERINGAN SPI (STANDARDIZED PRECIPITATION INDEX)

Gambar 1. Urutan kejadian dan dampak kekeringan secara umum

Pengertian kekeringan meteorologi

Kekeringan adalah bencana alam yang terjadi secara perlahan-lahan (slow onset), berlangsung lama dan berdampak luas (Adhyani et al,. 2017). Perbedaan dengan bencana hidrometeorologi lainnya (banjir, angin kencang, cuaca ekstrem dan lain-lain) terjadi secara sporadis, sedangkan kekeringan terjadi secara bertahap. Kekeringan adalah bencana alam yang bergerak perlahan tapi akan mempengaruhi semua rezim iklim.  Kekeringan terjadi karena adanya anomali penurunan intensitas curah hujan dibandingkan dengan kondisi normalnya. Kekurangan curah hujan yang terjadi daripada relatif yang diharapkan (normalnya) dan diperpanjang dengan periode yang lebih lama, berakibat ketidakmampuan memenuhi kebutuhan manusia dan lingkungan (Hayes et al., 2011). Memahami karakteristik dari suatu kejadian kekeringan adalah elemen penting mempersiapkan dan merencanakan pengelolaan dampak bencana kekeringan serta peningkatan pemantauan kekeringan dan peringatan dini.

Kekeringan dapat dikategorikan menjadi tiga jenis yaitu : kekeringan meteorologi, kekeringan pertanian dan kekeringan hidrologi (Gambar 1). Secara konvensional, kekeringan dapat dicirikan dengan pembeda (determinan) yang dipelajari dan dikategorikan sebagai meteorologis (curah hujan, potensi evapotranspirasi), hidrologi (aliran sungai atau resapan air tanah) dan pertanian (kelembaban tanah) (Tigkas et al., 2015). Kekeringan meteorologi berkaitan dengan tingkat curah hujan terjadi di bawah kondisi normalnya pada suatu musim. Perhitungan tingkat kekeringan meteorologis merupakan indikasi awal terjadinya kondisi kekeringan. Rendahnya jumlah curah hujan dapat mengakibatkan kejadian berkurangnya cadangan air tanah. Dalam kondisi waktu yang lama kondisi akan mencapai penurunan tingginya permukaan air (kekeringan hidrologi) di suatu waduk. Kekeringan meteorologi mengacu pada kurangnya curah hujan di area yang luas untuk jangka waktu tertentu (Wanisakdiah et. al., 2017). Kekeringan pertanian, berhubungan dengan berkurangnya kandungan air dalam tanah (lengas tanah) sehingga tidak mampu lagi memenuhi kebutuhan air bagi tanaman pada suatu periode tertentu. Kekeringan pertanian ini terjadi setelah terjadinya gejala kekeringan meteorologis. Kekeringan hidrologi, terjadi berhubungan dengan berkurangnya pasokan air permukaan dan air tanah. Kekeringan hidrologi diukur dari ketinggian muka air sungai, waduk, danau dan air tanah. Ada jarak waktu antara berkurangnya curah hujan dengan berkurangnya ketinggian muka air sungai, danau dan air tanah, sehingga kekeringan hidrologi bukan merupakan gejala awal terjadinya kekeringan.

Pengertian indeks kekeringan

Berbagai indeks kekeringan telah dikembangkan untuk menggambarkan kejadian kekeringan. Indeks ini alat yang penting untuk karakterisasi dan monitoring kekeringan, dengan menyertakan fungsi iklim yang kompleks dan dapat mengukur anomali iklim untuk tingkat keparahan, durasi serta frekuensinya. Indeks kekeringan sangat berguna karena dapat dikomunikasikan dengan lebih luas dan lebih mudah dipahami kepada khalayak tentang tingkat keparahan suatu episode kekeringan. Di tingkat akademik (pendidikan dan penelitian) dan operasional (pengambilan keputusan yang strategis, mitigasi bencana kekeringan dan lain-lain) akan sangat berguna. Perlu pertimbangan lebih satu indeks dalam berbagai kasus, yang mana paling tepat digunakan (Tigkas et al, 2015; Surmaini et al., 2018).

Pemahaman tentang SPI

Menurut https://climatedataguide.ucar.edu/ Standardized Precipitation Index (SPI) adalah indeks yang telah banyak dipakai untuk karakterisasi kekeringan meteorologi pada berbagai skala waktu. SPI adalah indeks kekeringan yang paling populer. Untuk skala yang pendek, SPI berhubungan dengan kelembaban tanah. Tetapi untuk skala yang lebih lama, SPI berhubungan penyimpanan air tanah dan reservoir. 

 

Metode Standardized Precipitation Index (SPI) merupakan metode yang dikembangkan McKee et. al 1993 untuk memonitoring kekeringan. Ada 5 permasalahan penting yang disampaikan oleh McKee berhubungan dengan analisis kekeringan yaitu : 1) skala waktu, 2) probabilitas, 3) defisit hujan, 4) aplikasi dari definisi hujan dan  variabel penyuplai air serta 5) hubungan definisi tersebut dan pengaruh dari kekeringan.  McKee et al 1993 membangun SPI untuk menjawab permasalahan tersebut dengan menggunakan indeks yang didapatkan melalui perbedaan curah hujan dengan skala waktu tertentu dari rata-rata yang dibagi dengan standar deviasinya  (Tigkas et al., 2013; Eslamian et al., 2017). Karena perhitungan kekeringan metode SPI merupakan salah satu metode yang praktis, maka dapat digunakan untuk meningkatkan efektivitas terhadap pemantauan kekeringan (Wanisakdiah et al., 2017). Keunggulan SPI yaitu : Pertama, dapat menghitung indeks kekeringan pada berbagai skala waktu (1, 3, 6, 12, 24 dan 48 bulan) (Guenang dan Kamga, 2014; Salehnia et al., 2017). Fleksibilitas dalam skala waktu ini membuat SPI dapat digunakan untuk aplikasi jangka pendek untuk pertanian maupun jangka panjang untuk hidrologi. Kedua, hanya menggunakan data curah hujan, sehingga lebih mudah untuk dapat menghitung lebih sederhana dibandingkan misalnya dengan indeks lainnya seperti halnya PDSI. Ketiga, dapat menggambarkan kekeringan dengan lebih mudah disesuaikan. Keempat, konsisten secara spasial sehingga memungkinkan perbandingan antara lokasi yang berbeda di lokasi yang berbeda iklimnya (WMO, 2012). Kelima,  sifat probabilistiknya memberikan konteks historis, yang sangat cocok untuk pengambilan keputusan.

Kelemahan dan keterbatasan SPI, Pertama, tidak memperhitungkan evapotranspirasi hanya  menghitung suplai air saja. Kedua, terbatas kemampuannya dalam memperhitungkan efek suhu terkait dengan perubahan iklim. Ketiga, sensitif terhadap kuantitas dan kehandalan data sehingga perlu data yang panjang (dianjurkan sekitar 30-50 tahun) direkomendasikan. Keempat, tidak mempertimbangkan intensitas curah hujan dan potensi dampaknya terhadap limpasan (run-off), aliran (streamflow) dan ketersediaan air pada sistem. 

Awalnya SPI

Pada bulan Januari 1993 Mc Kee dan kawan-kawan mempresentasikan hasil penelitian dan kerja mereka tentang SPI  di Colorado State University, AS, pertama kali disampaikan pada 8th Conference on Applied Climatology. 

Pada tanggal 8-11 Desember 2009 44 orang ahli peserta dari 22 negara, dari 6 wilayah WMO (lembaga PBB yang mengurusi masalah meteorologi dan klimatologi) di Lincoln, Nebraska, AS mendiskusikan tentang pembangunan standar untuk indeks kekeringan dan petunjuk untuk sistem peringatan dini kekeringan (Drought Early Warning System). Hasil dari pertemuan tersebut merumuskan Deklarasi Lincoln, salah satunya menyebutkan metode SPI direkomendasikan sebagai metode indeks kekeringan standar untuk melakukan monitoring dan karakterisasi tingkat kekeringan di seluruh dunia  (Hayes et al., 2011).

Deklarasi tersebut merekomendasikan adanya manual yang komprehensif tentang pengembangan metode SPI yang dapat memberikan gambaran indeks, metode komputasi dan contoh yang spesifik. Buku petunjuk dan penjabaran tentang SPI dari WMO telah dibuat dan dapat ditemukan pada link berikut serta berikut ini.

 

Gambar 2. Buku petunjuk tentang kekeringan SPI dari WMO

SPI pada awalnya dikembangkan oleh McKee et al., 1993 dengan menggunakan dua parameter distribusi gamma. Kemudian oleh Farahmand dan AghaKouchak 2015, mengusulkan suatu kerangka kerja dengan menggunakan SPI non parametrik. Studi ini dikarenakan masalah non normalitas pada parameter SPI dan dampaknya pada penilaian terhadap kekeringan yang pertama kali dipelajari oleh mereka. Maka selanjutnya perbandingan antara SPI yang parametrik dan non parametrik disajikan melalui tes kuantil dan statistika.

SPI dengan distribusi gamma

Gambar 3. Skema perhitungan SPI dengan distribusi gamma

Sumber : https://ds.data.jma.go.jp/gmd/tcc/tcc/products/climate/climatview/spi_commentary.html

Data hujan dapat digunakan menggunakan distribusi gamma. SPI dihitung dengan fungsi kepekatan probabilitas (probability density function) dengan rumus sebagai berikut :

Dimana : g (x) adalah fungsi gamma; x (mm) jumlah hujan (x>0); α adalah bentuk parameter dan  β adalah skala parameter ( β >0).

(Salehnia et al., 2017; Wanisakdiah et al., 2017). 

Nilai saat x = 0, atau saat tak ada presipitasi,  probabilitas kumulatif didekati dengan nilai q, yaitu perbandingan antara jumlah kejadian hujan nol dengan jumlah data. Probabilitas kumulatif total dihitung dengan persamaan :

Tingkat keparahan kekeringan meteorologis dapat dijelaskan oleh indeks SPI yang hanya didasarkan pada data curah hujan. SPI menghitung defisit curah hujan pada berbagai skala waktu. Idealnya diperlukan data 20-30 tahun data bulanan yang lengkap. Data yang lengkap 50-60 tahun akan lebih optimal (Eslamian et al., 2017). Data hujan historis dari pos hujan/stasiun disesuaikan dengan distribusi Gamma melalui metode MLE (Maximum Likelihood Estimation). Metode MLE memaksimalkan probabilitas data yang diamati di bawah distribusi yang dipilih. Diterapkan pada kumpulan data, memberikan nilai parameter distribusi yang memaksimalkan fungsi probabilitas (Wilks 2006). SPI dihitung dengan pembagian perbedaan curah hujan musiman yang telah dinormalisasi dan curah hujan rata-rata musiman jangka panjang melalui standar deviasi. Peristiwa kekeringan terjadi saat SPI negatif secara kontinyu dengan intensitas -1,0 atau lebih kurang.

Tabel 1. Kategori kekeringan dengan indeks SPI

Gambar 3. Kurva normal indeks SPI dan kriterianya 

Sumber : https://climatedataguide.ucar.edu/climate-data/standardized-precipitation-index-spi/

Hubungan SPI dengan distribusi gamma dan normal. 

Gambar 4. Perbandingan data SPI dengan distribusi gamma dan normal

Gambar 4 di atas menunjukkan metode menghitung perhitungan SPI dan rata-rata perubahan kriteria kekeringan dalam perubahan iklim. SPI adalah variabel acak dari distribusi normal yang bersesuaian dengan distribusi gamma CDF (Cumulative Distribution Function). Gambar di atas menunjukkan perubahan CDF dikarenakan peningkatan curah hujan.  Dalam curah hujan yang sama SPI dapat bervariasi sesuai dengan perubahan sampel yang dipergunakan. Kriteria curah hujan yang menjelaskan SPI berubah-ubah sesuai dengan sampel. Maka besarnya kekuatan dan frekuensi kekeringan yang diprakirakan pada masa depan dapat berubah-ubah tergantung pada data iklim masa kini dan prakiraan ke depannya (Kwon et al., 2019).

Idealnya, data untuk perhitungan SPI harus selengkap mungkin,  karena SPI akan memberikan nilai 'null' jika data tidak mencukupi untuk menghitung nilai. SPI biasanya dihitung untuk rentang waktu hingga 24 bulan dan fleksibilitas indeks ini memungkinkannya diaplikasikan menangani peristiwa yang mempengaruhi berbagai sektor yaitu pertanian, sumber daya air dan slainnya. Sebagai catatan, data curah hujan bulanan yang baik untuk aplikasi setidaknya selama 25-30 tahun terakhir. Deret data yang lebih panjang akan selalu lebih baik untuk mendapatkan hasil yang lebih andal. Catatan dari Guttman (1999) bahwa jika data tambahan hadir dalam deret waktu yang panjang, hasil distribusi probabilitas lebih tinggi karena lebih banyak sampel kejadian basah ekstrim dan kering ekstrem dimasukkan. 

SPI dengan distribusi non parametrik (update tentang SPI)

Keterbatasan SPI adalah mengasumsikan bahwa fungsi dari distribusi probabilitas parametrik sesuai dengan permodelan data hujan. SPI biasanya diturunkan dengan memasangkan fungsi distribusi probabilitas ke data curah hujan. Probabilitas gamma yang terakumulasi ditransformasikan ke fungsi distribusi kumulatif (CDF) pada distribusi normal, bukan pilihan distribusi yang terbaik. Ada banyak distribusi lain yang bisa digunakan (Normal, Gamma, Pearson type III, Lognormal, Wakeby, distribusi Kappa dan lain-lainnya). Menurut Farahmand dan AghaKouchak 2015, nilai SPI cukup sensitif pada fungsi distribusi parametrik, terutama pada bagian ekornya. Di sisi lain, indikator yang ada kekurangannya tak konsisten secara temporal dan tak dapat dibandingkan secara statistika. Misalnya SPI dan PDSI tak bisa langsung dibandingkan karena skala berbeda. Pendekatan parametrik untuk SPI dapat menyebabkan hasil tidak konsisten, terutama pada skala besar (hingga global). Alasannya adalah bahwa di daerah tertentu, fungsi distribusi (misalnya, gamma) mungkin cocok dengan data, sementara di daerah lain, pilihan fungsi distribusi mungkin tidak cocok. Maka perlu adanya indikator kekeringan yang konsisten secara spasial dan temporal menilai kekeringan berdasarkan variabel iklim dan fungsi distribusi yang berbeda. 

Farahmand dan AghaKouchak 2015, memperkenalkan SDAT (Standardized Drought Analysis Toolbox) sebagai skema umum indeks kekeringan standar yang non parametrik. SDAT dengan pendekatan holistik untuk pemantauan kekeringan memerlukan penyelidikan beberapa indikator (presipitasi, kelembaban tanah, limpasan, evapotranspirasi, dan sebagainya). Maka Indeks standar non parametrik yang dihasilkan berupa :

• Standardized Precipitation Index (SPI)
• Standardized Soil Moisture Index (SSI)
• Standardized Runoff Index (SRI)
• Standardized Streamflow Index (SSFI)
• Standardized Relative Humidity Index (SRHI)
• Standardised Groundwater level Index (SGI)
• Standardized Surface Water Supply Index (SSWSI) dan
• Standardized Water Storage Index (SWSI) 

(HRL, 2021).

Karakteristik yang unik dari indeks tersebut adalah indeks yang konsisten secara statistik berdasarkan curah hujan (SPI), kelembaban tanah (SSI), limpasan (SRI), kelembaban relatif (SRHI), dan lain-lain. Metode ini dapat diterapkan pada variabel iklim dan permukaan tanah yang berbeda tanpa harus mengasumsikan keberadaan distribusi parametrik yang representatif. Namun, kerangka kerja umum yang menghasilkan indeks kekeringan, konsisten secara spasial dan temporal sangat penting untuk menilai kekeringan berdasarkan berbagai unsur iklim, seringkali fungsi distribusinya berbeda. SDAT menawarkan platform dengan indeks standar univariat dan multivariat non parametrik. Maka, sangat berguna sistem informasi kekeringan yang menawarkan data berdasarkan beberapa indikator kekeringan. Kerangka kerja nonparametrik yang sama dapat digunakan untuk menurunkan indeks kekeringan multivariat nonparametrik standar yang dapat menggambarkan kekeringan berdasarkan keadaan beberapa unsur. Model kekeringan multivariat menghubungkan indikator individu ke dalam model komposit sebagai penilaian kekeringan secara keseluruhan. Pembahasan tentang indeks kekeringan berbasis non parametrik ini akan saya jelaskan pada tulisan selanjutnya.

  

Penentuan Indeks Kekeringan SPI

Nilai indeks kekeringan SPI dapat ditentukan dengan menggunakan banyak cara dan aplikasi diantaranya :

1. Excel
2. R
3. SCOPIC
4. DrinC

5. Matlab

6. Python

7. SPI generator

8. MDM

dan lain-lain

1. Excel

Menggunakan aplikasi Microsoft Excel adalah metode yang paling mudah menentukan indeks SPI. Form excel yang paling simpel dapat didownload di sini. Cara excel yang paling manual dengan menyusun dulu data curah hujan secara urut tahun dan bulanannya. 

SPI mengukur defisit curah hujan dengan mengubah distribusi normal standar. Menurut Shatanawi et al., 2013, Microsoft Excel dapat menghitung SPI dengan 3 (tiga) langkah :

• Menentukan distribusi frekuensi deret curah hujan
• Menyesuaikan distribusi hujan ke fungsi distribusi kumulatif (CDF) gamma
• Menginversi CDF menjadi fungsi distribusi kumulatif normal untuk mendapatkan CDF Gaussian pada rata-rata nol  (zero mean) dan varian 1. 

Gambar 5. Distribusi kumulatif untuk menentukan SPI dengan Microsoft Excel

Berikut link beberapa contoh pengolahan data SPI lainnya dengan Microsoft Excel dapat didownload di sini dan di sini

2. R

Menggunakan bahasa pemrograman dan sistem perangkat lunak R. Penggunaan Rstudio akan mempermudah perhitungan indeks SPI. Library yang paling mudah digunakan dengan menggunakan SPEI (Vicente-Serrano et al., 2010). SPEI adalah package R yang menjelaskan tentang SPEI (Standardized Precipitation-Evapotranspiration Index) dan SPI ( Standardized Precipitation Index). Contoh pengolahannya dengan data BMKG Stasiun Klimatologi Banjarbaru (1991-2020) sebagai berikut :

install.packages('SPEI')
library(SPEI)
SPI3 = spi(staklim_banjarbaru$ch,scale = 3, distribution = 'Gamma')
plot(spi(ts(staklim_banjarbaru$ch, frequency = 12,start=c(1991,1)),3,
         ref.start=c(1991,1), ref.end=c(2020,12)))
SPI3

Gambar 6. Pengolahan data indeks SPI dengan R

Tutorialnya juga dapat dipelajari melalui video sebagai berikut :

 

 

 

 3. SCOPIC

SCOPIC (Seasonal Climate Outlooks in Pacific Island Countries) adalah sistem pendukung keputusan untuk menghasilkan prediksi probabilistik untuk curah hujan, suhu atau parameter iklim lainnya. SCOPIC digunakan berbagai Lembaga Meteorologi di negara-negara kepulauan Pasifik. Software ini menggunakan metode statistika dalam prediksi probabilistik menggunakan data historis (Koesuma et al., 2020). Langkah yang dilakukan dalam aplikasi ini melalui : menyusun data sesuai format dulu (Organise Data), menelusuri data dan Quality Control (Explore Data), melihat berbagai hubungan data dengan unsur lainnya (Analyse Relationships), menguji skil data (Test Skill), penyampaian hasil (Generate Report) dan akhirnya analisis kekeringan dengan SPI.  Aplikasi SCOPIC dapat didownload melalui situs milik Pasificmet sebagai berikut.

Gambar 7. Pengolahan data indeks SPI dengan SCOPIC

4. DrinC

DrinC (Drought Indices Calculator)  adalah aplikasi yang menyediakan antarmuka (interface) yang mudah untuk menghitung indeks kekeringan, sesuai dengan analisis kekeringan meteorologi, hidrologis dan pertanian. Indeks kekeringan yang ada dalam DrinC adalah : SPI, RDI (Reconnaissance Drought Index), SDI (Streamflow Drought Index), aSPI (Agricultural Standardised Precipitation Index), eRDI (Effective Reconnaissance Drought Index) dan PD (Precipitation Deciles). Indeks-indeks tersebut memerlukan data yang kecil dan mudah diinterpretrasikan maupun dioperasikan untuk berbagai keperluan (Tingkas et al., 2015). 

Software ini dikembangkan oleh Centre for the Assessment of Natural Hazards and Proactive Planning and the Laboratory of Reclamation Works and Water Resources Management of the National Technical University of Athens.

Gambar 8. Menu dan tampilan awal aplikasi DrinC 

Menggunakan aplikasi DrinC yang dapat didownload melalui situs DrinC  sebagai berikut.  Diagram alir aplikasi DrinC dapat dilihat pada skema berikut ini :

Gambar 9. Diagram alir aplikasi DrinC

Pengolahan data hujan bulanan excel yang telah disesuaikan dengan format yang diinginkan oleh aplikasi DrinC, di dalam contoh sebagai berikut :

Nilai SPI dapat dihitung dengan aplikasi DrinC, perhitungan indeks kekeringan berdasarkan distribusi gamma (Koem dan Rusiyah, 2018). Tata cara merunning aplikasinya dapat dipelajari melalui tayangan berikut :

5. Matlab

 

Apabila menggunakan Matlab dapat menggunakan beberapa paket. Contoh script Matlab yang menggambarkan cara pengolahan SPI yang menggunakan distribusi gamma dapat ditemukan pada link berikut ini  Sedangkan contoh script Matlab yang menggambarkan cara pengolahan SPI yang menggunakan distribusi non parametrik dapat ditemukan pada link berikut ini.

 Gambar 10. SPI distribusi gamma dan non parametrik menggunakan Matlab

6. Python

 

Menjalankan Python dengan berbagai indeks iklim (dengan climate-indices misalnya sekarang sudah climate-indices 1.0.9). Indeks iklim yang dapat dijalankan antara lain  Palmers (PDSI, scPDSI, PHDI dan Z-Index), SPI, SPEI, PET dan PNP. Aplikasi dapat didownload dan disalin dari Informasi lebih lanjut yang bisa didapatkan melalui  Indeks iklim/ kekeringan yaitu:

• SPI, baik yang menggunakan distribusi Gamma ataupun Pearson Tipe III
• SPEI, baik yang menggunakan distribusi Gamma ataupun Pearson Tipe III
• PET, evapotranspirasi potensial menggunakan persamaan Thornwaite dan Hargreaves
• PDSI atau indeks kekeringan Palmer
  
• scPDSI atau Self-calibrated PDSI
• PHDI (Palmer Hydrological Drought Index) 
• Z-Index, indeks anomali kelembaban Palmer/ Palmer moisture anomaly index
• PMDI, indeks modifikasi kekeringan Palmer/ Palmer Modified Drought Index
• PNP, persentase hujan normal/  Percentage of Normal Precipitation

Contoh untuk pengolahan data SPI bulanan bersumber data netcdf dapat diperoleh pada link berikut

$ process_climate_indices --index spi --periodicity monthly --netcdf_precip /data/nclimgrid_lowres_prcp.nc --var_name_precip prcp --output_file_base <out_dir>/nclimgrid_lowres --scales 6 12 --calibration_start_year 1981 --calibration_end_year 2020 --multiprocessing all

 

 

Penjelasan lebih lanjut tentang penggunaan climate-indices ada di sini

 

7. SPI generator 

 

SPI generator adalah aplikasi yang dikembangkan oleh NDMC (National Drought Mitigation Centre). Aplikasi SPI generator dapat  menjalankan nilai curah hujan yang diproyeksikan dalam grid (selain data dari titik pos hujan) untuk periode waktu yang anda pilih. Program memperlakukan data grid sebagai data stasiun. Aplikasi bisa didapatkan di sini. Penjelasannya di sini 

(https://drought.unl.edu/droughtmonitoring/SPI/SPIProgram.aspx)

Gambar 11. Tampilan SPI Generator

Berikut adalah contoh pengolahan SPI dengan aplikasi SPI Generator dengan basis data hujan dari satelit :

 

 

8. MDM

MDM (Meteorological Drought Monitoring) adalah aplikasi yang dikembangkan oleh website https://agrimetsoft.com/ atau AgriMetSoft (Agricultural and meteorological software) untuk menghitung 8 macam indeks kekeringan berdasarkan curah hujan. 8 indeks tersebut adalah SPI (Standardized Precipitation Index), PNI (Percent of Normal Index), DI (Deciles index), EDI (Effective drought index), CZI (China-Z index), MCZI (Modified CZI), RAI (Rainfall Anomaly Index) dan ZSI (Z-score Index) (Salehnia et al., 2017).

Aplikasi MDM mendapatkan data dapat melalui data observasi (terutama dari data sinoptik) dan juga data dari AgMERRA yang meliputi database hujan harian dari Timur Tengah. Untuk mendapatkan aplikasi MDM sebaiknya menghubungi langsung kepada server website tersebut.

Gambar 12. Tampilan aplikasi MDM 

Contoh pengolahannya dapat dilihat di video berikut ini :

 

Daftar Pustaka

Web

https://agrimetsoft.com/mdm diakses 23 Oktober 2021

http://amir.eng.uci.edu/sdat.php diakses 23 Oktober 2021

https://climatedataguide.ucar.edu/climate-data/standardized-precipitation-index-spi diakses 10 Oktober 2021.

https://drought-software.com/overview diakses 19 September 2021

https://drought.unl.edu/droughtmonitoring/SPI/SPIProgram.aspx diakses 1 Oktober 2021

https://www.drought.gov/data-maps-tools/climate-and-drought-indices-python-spi-spei-pet diakses 10 Oktober 2021

https://ds.data.jma.go.jp/gmd/tcc/tcc/products/climate/climatview/spi_commentary.html diakses 24 Oktober 2021

https://github.com/sbegueria/SPEI diakses 20 Oktober 2021

https://gmao.gsfc.nasa.gov/research/subseasonal/atlas/SPI-html/SPI-description.html diakses 19 Oktober 2021

HRL (2021). Standardized Drought Analysis Toolbox (SDAT) https://www.mathworks.com/matlabcentral/fileexchange/51081-standardized-drought-analysis-toolbox-sdat/, MATLAB Central File Exchange. Retrieved September 16, 2021.

https://www.pacificmet.net/products-and-services/seasonal-climate-outlooks-pacific-island-countries-scopic/ diakses 10 Oktober 2021

https://readthedocs.org/projects/climate-indices/downloads/pdf/latest/ diakses 15 Oktober 2021

https://pypi.org/project/climate-indices/ diakses 22 Oktober 2021

Video

https://www.youtube.com/watch?v=IxGgzkB2eQI&t=9s

https://www.youtube.com/watch?v=yg6XmgPdEKk&t=4s

https://www.youtube.com/watch?v=WMF45KQiQAM

https://www.youtube.com/watch?v=6D_voLnoX8s

https://www.youtube.com/watch?v=LwQBZ7nx9OY

https://www.youtube.com/watch?v=9KYOw53DGhs&t=13s

Jurnal dan Buku

Adhyani NL, June T, Sopaheluwakan A. 2017. Exposure to drought: duration, severity and intensity (Java, Bali and Nusa Tenggara).IOP Conference Series Earth and Environmental Science 58(1):012040

Eslamian S, Ali-Askari KO,  Singh V , Dalezios NR, Ghane M, Yihdego Y, Matouq M. 2017. A review of drought indices.  Int. J. Constr. Res. Civil (IJCRCE) 3(4): 48-66.

Farahmand A,  AghaKouchak A. 2015. A generalized framework for deriving nonparametric standardized drought indicators. Advances in Water Resources 76 : 140-145

Guenang G, Kamga F. 2014. Computation of the Standardized Precipitation Index (SPI) and its use to assess drought occurrences in Cameroon over recent decades. Journal of Applied Meteorology and Climatology (53) 2310-2324.

Guttman NB. 1999. Accepting the standardized precipitation index: A calculation algorithm. J. Amer. Water Resour. Assoc., 35, 311–322, doi:10.1111/j.1752-1688.1999.tb03592.x.

Hayes MM, Svoboda, NW, Widhalm, M. 2011. The Lincoln Declaration on Drought Indices: universal Meteorological Drought Index. Bulletin of the American Meteorological, 92, 485-488.

http://dx.doi.org/10.1175/2010BAMS3103.1

Koem S, Rusiyah. 2018. Karakteristik spatiotemporal kekeringan meteorologi di Kabupaten Gorontalo tahun 1981-2016. J. Pengelolaan Sumberdaya Alam dan Lingkungan 8(3): 355-364

Koesuma S, Kusuma DA, Harmoko IW. 2021. Mitigation strategic of drought in Central Java Indonesia during Covid-19 pandemic. J. Phys.: Conf. Ser. 1825 012024

Kwon, Minsung; Sung, Jang H. 2019. Changes in future drought with HadGEM2-AO projections. Water 11(2) 312

Mallenahalli NK. 2020. Comparison of parametric and nonparametric standardized precipitation index for detecting meteorological drought over the Indian region. Theoretical and Applied Climatology.

McKee TB, Doesken NJ, Kleist, J.1993. The relationship of drought frequency and duration to time scales. 8th Conference on Applied Climatology, Anaheim, 17-22 January 1993, 179-184.

Salehnia N, Alizadeh A, Sanaeinejad H, M. Bannayan, A. Zarrin, G. Hoogenboom. 2017. Estimation of meteorological drought indices based on AgMERRA precipitation data and station-observed precipitation data. Journal of Arid Land (9) : 797-809.

 

Shatanawi K,  Rahbeh M, Shatanawi M. 2013.  Characterizing, monitoring and forecasting of drought in Jordan River Basin. Journal of Water Resource and Protection 5(12) : 1193-1202.

Surmaini E, Susanti E, Sarvina Y, Syahputra MR. 2018. Pengembangan metode deteksi dini kekeringan dan banjir untuk tanaman padi. Agromet 32(2): 81-92.

 

Svoboda M, Fuchs BA. 2016. World Meteorological Organization (WMO) and Global Water Partnership (GWP)- Handbook of  drought indicators and indices. Integrated Drought Management Programme (IDMP), Integrated Drought Management Tools and Guidelines Series 2. Geneva.

Tigkas D, Vangelis H, Tsakiris G. 2015. DrinC: a software for drought analysis based on drought indices. Earth Science Informatics. 8(3):697-709.

Vicente-Serrano SM, Beguería S, López-Moreno JI. 2010. A multi-scalar drought index sensitive to global warming: The Standardized Precipitation Evapotranspiration Index - SPEI. Journal of Climate 23: 1696, DOI: 10.1175/2009JCLI2909.1

Wanisakdiah S, Sutikno S, Handayani YL. 2017. Analisis indeks kekeringan meteorologis lahan gambut di Pulau Tebing Tinggi Provinsi Riau menggunakan data satelit Tropical Rainfall Measuring Mission (TRMM). Jom F Teknik .4(2): 1-9.

Wilks, DS. 2006. Statistical methods in the atmospheric sciences. 2nd Edition, Academic Press, London.

World Meteorological Organization, 2012: Standardized Precipitation Index User Guide (WMO-No.1090), Geneva.