Selasa, 12 Mei 2026
Pentingnya Tekanan Permukaan untuk Meteorologi Tropis
Tekanan permukaan laut — lebih dikenal dengan singkatan MSL (mean sea level pressure) — adalah variabel paling mendasar dalam analisis cuaca sinoptik. Setiap peta cuaca global yang kita lihat, dari prakiraan BMKG hingga model GFS, dibangun di atas distribusi MSL. Nilai MSL menentukan di mana angin mengalir, di mana udara naik, dan pada akhirnya, di mana hujan turun.
Di daerah tropis seperti Indonesia, MSL berada di sekitar \(1{,}013\ \text{hPa}\) pada kondisi normal. Zona bertekanan rendah di sekitar ekuator dikenal sebagai ITCZ (Intertropical Convergence Zone) — sabuk tempat angin pasat dari Belahan Bumi Utara dan Selatan bertemu dan memicu konveksi intens. ITCZ bermigrasi musiman melintasi khatulistiwa dan secara langsung memengaruhi kapan musim hujan datang di tiap wilayah Indonesia.
Sumber: NASA Earth Observatory — The Intertropical Convergence Zone (GOES-11 composite, domain publik)
Semakin rapat isobar pada peta sinoptik, semakin kencang angin di area tersebut. Sistem bertekanan tinggi (biasanya \(\geq 1{,}020\ \text{hPa}\)) identik dengan cuaca cerah dan angin lemah, sedangkan sistem tekanan rendah berasosiasi dengan awan tebal dan hujan. Memahami distribusi MSL adalah kunci untuk membaca peta cuaca dan menginterpretasikan dinamika monsun Asia-Australia yang sangat memengaruhi iklim Indonesia.
Mengenal Reanalisis ERA5 dan Variabel MSL
ERA5 adalah reanalisis generasi kelima dari ECMWF yang mencakup data global sejak Januari 1940 hingga kini. Data diperbarui harian dengan latensi sekitar lima hari. Yang membedakan ERA5 dari produk serupa adalah metode asimilasi datanya: 4D-Var dengan model IFS CY41R2, yang mengintegrasikan jutaan observasi — balon radiosonde, satelit, pelampung laut, dan pesawat — ke dalam model fisika atmosfer yang konsisten.
Secara teknis, ERA5 tersedia pada grid \(0{,}25°\ \times\ 0{,}25°\) (sekitar 31 km) dengan lebih dari 200 variabel atmosfer dan permukaan. Variabel yang kita gunakan dalam tutorial ini adalah msl — mean sea level pressure — dengan satuan Pascal (Pa). Untuk interpretasi meteorologi standar, nilainya perlu dikonversi ke hPa dengan membagi 100.
File yang kita gunakan sudah tersedia lokal di /data/era5/era5_msl_indonesia_2024_6h.nc, mencakup domain Indonesia [6N, 95E, -11S, 141E] sepanjang tahun 2024 dengan interval 6 jam. Tidak perlu registrasi CDS atau instalasi cdsapi — data siap pakai langsung dari cache.
Memuat dan Memeriksa Data ERA5 MSL
Kita mulai dengan membuka file NetCDF menggunakan xarray dan memeriksa struktur dataset: dimensi, koordinat, dan atribut variabel. Langkah ini penting sebelum analisis apa pun — kita perlu tahu nama dimensi waktu (kadang valid_time, kadang time), rentang koordinat lat/lon, dan satuan variabel.
import xarray as xr
import numpy as np
# Buka file cached — tidak perlu cdsapi
ds = xr.open_dataset("/data/era5/era5_msl_indonesia_2024_6h.nc")
print("=== Dataset ERA5 MSL ===")
print(ds)
# Cek nama dimensi waktu yang tersedia
time_dim = "valid_time" if "valid_time" in ds.dims else "time"
print(f"\nDimensi waktu: {time_dim}")
print(f"Jumlah timestep: {ds.dims[time_dim]}")
# Rentang waktu
t_coords = ds[time_dim].values
print(f"Awal: {t_coords[0]}")
print(f"Akhir: {t_coords[-1]}")
# Variabel dan atributnya
msl = ds["msl"]
print(f"\nVariabel MSL — shape: {msl.shape}")
print(f"Satuan: {msl.attrs.get('units', 'tidak tercatat')}")
print(f"Long name: {msl.attrs.get('long_name', '-')}")
# Contoh slice: nilai MSL (Pa) untuk beberapa koordinat pertama
sample = msl.isel(**{time_dim: 0})
print(f"\nSlice t=0, lat range: [{float(ds.latitude.min()):.2f}, {float(ds.latitude.max()):.2f}]")
print(f"Slice t=0, lon range: [{float(ds.longitude.min()):.2f}, {float(ds.longitude.max()):.2f}]")
print(f"Nilai MSL t=0 (Pa): min={float(sample.min()):.1f}, max={float(sample.max()):.1f}, mean={float(sample.mean()):.1f}")
=== Dataset ERA5 MSL ===
<xarray.Dataset> Size: 75MB
Dimensions: (valid_time: 1464, latitude: 69, longitude: 185)
Coordinates:
* valid_time (valid_time) datetime64[ns] 12kB 2024-01-01 ... 2024-12-31T18...
expver (valid_time) <U4 23kB ...
* latitude (latitude) float64 552B 6.0 5.75 5.5 5.25 ... -10.5 -10.75 -11.0
* longitude (longitude) float64 1kB 95.0 95.25 95.5 ... 140.5 140.8 141.0
number int64 8B ...
Data variables:
msl (valid_time, latitude, longitude) float32 75MB ...
Attributes:
GRIB_centre: ecmf
GRIB_centreDescription: European Centre for Medium-Range Weather Forecasts
GRIB_subCentre: 0
Conventions: CF-1.7
institution: European Centre for Medium-Range Weather Forecasts
history: 2026-05-10T03:54 GRIB to CDM+CF via cfgrib-0.9.1...
Dimensi waktu: valid_time
Jumlah timestep: 1464
Awal: 2024-01-01T00:00:00.000000000
Akhir: 2024-12-31T18:00:00.000000000
Variabel MSL — shape: (1464, 69, 185)
Satuan: Pa
Long name: Mean sea level pressure
Slice t=0, lat range: [-11.00, 6.00]
Slice t=0, lon range: [95.00, 141.00]
Nilai MSL t=0 (Pa): min=100936.0, max=102060.0, mean=101120.6
Output di atas memperlihatkan dimensi dataset dan rentang nilai MSL dalam Pa. Perhatikan bahwa nilai sekitar 100.000–102.000 Pa setara dengan 1.000–1.020 hPa — angka yang wajar untuk kawasan tropis. Di sini kita juga menyimpan variabel ds, msl, dan time_dim sebagai globals notebook yang akan digunakan oleh snippet berikutnya.
Statistik Tekanan Permukaan di Indonesia Tahun 2024
Setelah verifikasi struktur data, kita lanjutkan ke analisis statistik. Snippet ini mengonversi MSL dari Pa ke hPa, lalu menghitung rata-rata domain bulanan sepanjang 2024. Pola musiman akan muncul: tekanan cenderung lebih rendah saat ITCZ aktif di atas wilayah Indonesia (umumnya November–Maret), dan sedikit lebih tinggi saat puncak musim kemarau (Juli–Agustus).
Tekanan standar permukaan laut adalah \(1{,}013{,}25\ \text{hPa}\). Sistem bertekanan tinggi yang sering mempengaruhi Indonesia dari selatan (high Australia) dapat mendorong nilai domain mean mendekati \(1{,}015\ \text{hPa}\) atau lebih, sementara saat monsun barat aktif nilai domain mean bisa turun ke sekitar \(1{,}009\text{–}1{,}011\ \text{hPa}\).
import pandas as pd
# Konversi Pa → hPa
msl_hpa = msl / 100.0
# Statistik domain keseluruhan 2024
print("=== Statistik Domain Keseluruhan 2024 ===")
print(f"Mean MSL: {float(msl_hpa.mean()):.3f} hPa")
print(f"Min MSL : {float(msl_hpa.min()):.3f} hPa")
print(f"Max MSL : {float(msl_hpa.max()):.3f} hPa")
# Rata-rata domain bulanan
# Buat series bulanan dengan groupby pada dimensi waktu
t_coords = ds[time_dim].values
# Konversi ke pandas Timestamp agar groupby bulan mudah
t_index = pd.DatetimeIndex(t_coords)
months = t_index.month
monthly_means = {}
monthly_mins = {}
monthly_maxs = {}
for m in range(1, 13):
mask = months == m
if mask.sum() == 0:
continue
subset = msl_hpa.isel(**{time_dim: mask})
monthly_means[m] = float(subset.mean())
monthly_mins[m] = float(subset.min())
monthly_maxs[m] = float(subset.max())
month_names = ["Jan","Feb","Mar","Apr","Mei","Jun",
"Jul","Agt","Sep","Okt","Nov","Des"]
df = pd.DataFrame({
"Bulan": [month_names[m-1] for m in monthly_means.keys()],
"Mean (hPa)": [f"{v:.3f}" for v in monthly_means.values()],
"Min (hPa)": [f"{v:.3f}" for v in monthly_mins.values()],
"Max (hPa)": [f"{v:.3f}" for v in monthly_maxs.values()],
})
df.index = list(monthly_means.keys())
df.index.name = "Bln"
print("\n=== Statistik Bulanan MSL (hPa) ===")
print(df.to_string())
=== Statistik Domain Keseluruhan 2024 ===
Mean MSL: 1010.145 hPa
Min MSL : 998.804 hPa
Max MSL : 1024.464 hPa
=== Statistik Bulanan MSL (hPa) ===
Bulan Mean (hPa) Min (hPa) Max (hPa)
Bln
1 Jan 1010.281 1000.414 1022.977
2 Feb 1011.335 1003.281 1023.496
3 Mar 1010.472 999.992 1024.464
4 Apr 1009.301 1003.250 1022.324
5 Mei 1009.536 1002.482 1022.443
6 Jun 1010.955 1005.416 1023.788
7 Jul 1010.802 1003.964 1022.919
8 Agt 1011.186 1004.751 1022.778
9 Sep 1010.217 1002.064 1023.141
10 Okt 1010.285 1003.549 1022.864
11 Nov 1009.024 998.804 1022.285
12 Des 1008.392 999.931 1022.694
Tabel bulanan ini menunjukkan pola musiman MSL di domain Indonesia. Bulan-bulan dengan nilai mean rendah berasosiasi dengan aktivitas ITCZ dan monsun barat yang kuat — periode di mana curah hujan di sebagian besar Jawa, Kalimantan, dan Sulawesi cenderung tinggi. Nilai max per bulan mencerminkan pengaruh sistem tekanan tinggi Australia yang sesekali menembus ke utara ekuator, terutama di musim kemarau.
Pola Spasial dan Identifikasi Sistem Tekanan
Statistik domain memberikan gambaran rata-rata, tetapi distribusi spasial MSL jauh lebih informatif untuk analisis sinoptik. Pada satu snapshot waktu, kita bisa melihat di mana posisi trough (palung tekanan rendah) dan ridge (punggungan tekanan tinggi), yang berhubungan langsung dengan pola angin dan curah hujan.
Kita pilih satu timestamp di bulan Agustus 2024 — puncak musim kemarau sekaligus periode aktif Southeast Monsoon. Pada periode ini, tekanan tinggi Australia biasanya cukup kuat dan mendorong aliran angin tenggara ke wilayah Indonesia bagian selatan. Di saat bersamaan, ITCZ masih aktif di utara ekuator, menciptakan gradien tekanan yang menarik.
Profil tekanan meridional Agustus: ITCZ bertekanan rendah di utara, ridge ekuatorial Papua di tengah domain, dan Australian High di selatan bbox.
# Pilih snapshot: 2024-08-15 12:00 UTC menggunakan sel(method="nearest")
snapshot = msl_hpa.sel(**{time_dim: "2024-08-15T12:00"}, method="nearest")
snap_time = snapshot[time_dim].values
print(f"Snapshot: {snap_time}")
print(f"\n=== Statistik Spasial (hPa) ===")
print(f"Mean : {float(snapshot.mean()):.3f}")
print(f"Min : {float(snapshot.min()):.3f}")
print(f"Max : {float(snapshot.max()):.3f}")
print(f"Std : {float(snapshot.std()):.3f}")
# Lokasi minimum (low pressure system)
flat_min = int(np.argmin(snapshot.values))
min_idx = np.unravel_index(flat_min, snapshot.shape)
lat_min = float(snapshot.latitude.values[min_idx[0]])
lon_min = float(snapshot.longitude.values[min_idx[1]])
val_min = float(snapshot.values[min_idx])
# Lokasi maksimum (high pressure system)
flat_max = int(np.argmax(snapshot.values))
max_idx = np.unravel_index(flat_max, snapshot.shape)
lat_max = float(snapshot.latitude.values[max_idx[0]])
lon_max = float(snapshot.longitude.values[max_idx[1]])
val_max = float(snapshot.values[max_idx])
print(f"\n=== Sistem Tekanan Rendah ===")
print(f"Nilai : {val_min:.2f} hPa")
print(f"Lokasi : {lat_min:.2f}°, {lon_min:.2f}°")
print(f"\n=== Sistem Tekanan Tinggi ===")
print(f"Nilai : {val_max:.2f} hPa")
print(f"Lokasi : {lat_max:.2f}°, {lon_max:.2f}°")
grad = val_max - val_min
print(f"\nGradien tekanan domain: {grad:.2f} hPa")
Snapshot: 2024-08-15T12:00:00.000000000
=== Statistik Spasial (hPa) ===
Mean : 1009.932
Min : 1006.731
Max : 1020.403
Std : 1.619
=== Sistem Tekanan Rendah ===
Nilai : 1006.73 hPa
Lokasi : 6.00°, 95.00°
=== Sistem Tekanan Tinggi ===
Nilai : 1020.40 hPa
Lokasi : -4.00°, 137.25°
Gradien tekanan domain: 13.67 hPa
Hasil di atas memperlihatkan bahwa nilai maksimum domain (~1020,4 hPa) berada di sekitar -4°S, 137°E — ini bukan Australian High itu sendiri, melainkan sebuah ridge dalam domain di atas Papua ekuatorial; Australian High yang sebenarnya berpusat di sekitar 30–35°S, di luar batas selatan bbox (-11°S) yang kita gunakan. Pengaruh High Australia terhadap Indonesia terlihat secara tidak langsung melalui aliran angin tenggara yang memasuki domain dari batas selatan. Sebaliknya, minimum domain (~1006,7 hPa) di 6°N, 95°E konsisten dengan posisi ITCZ boreal summer yang saat Agustus bergeser ke utara ekuator.
Perlu dicatat bahwa di daerah tropis, interpretasi MSL berbeda dari lintang tengah. Efek Coriolis yang lemah berarti angin tidak berputar rapi mengikuti isobar seperti di ekstratropis. Karena itu, meteorolog tropis lebih sering menggunakan streamline (garis aliran) daripada isobar untuk analisis angin, meski MSL tetap dipakai untuk identifikasi sistem.
Langkah Selanjutnya dan Kombinasi dengan Variabel Lain
Dari tutorial ini kita telah menguasai tiga langkah dasar analisis MSL dengan ERA5: membuka dan memverifikasi file NetCDF, menghitung statistik bulanan untuk melihat siklus musiman, dan mengekstrak pola spasial pada satu snapshot untuk identifikasi sistem tekanan.
Langkah natural berikutnya adalah menggabungkan MSL dengan variabel lain dari cache ERA5 yang sama:
- Angin permukaan (u10, v10): hitung kecepatan dan arah angin, plot streamline untuk melihat pola konvergensi di sekitar trough.
- Curah hujan (tp): overlay MSL dan total precipitation — area tekanan rendah biasanya berkorespondensi dengan akumulasi hujan tinggi.
- Animasi time series: loop over timestep dan render peta MSL bergerak untuk melihat migrasi ITCZ dan pergeseran palung monsun sepanjang tahun.
Seluruh variabel tersebut tersedia di direktori /data/era5/ dengan format dan konvensi koordinat yang sama — bisa langsung dibuka dengan pola yang sama di snippet-1.
Alur analisis dari loading data ERA5 MSL hingga interpretasi sinoptik.
Eksplorasi artikel meteorologi lainnya di meteo.my.id (https://meteo.my.id) — termasuk tutorial analisis angin permukaan, geopotential 500 hPa, dan komputasi indeks stabilitas dari data pressure-level ERA5.
Referensi
- ERA5: data documentation — Dokumentasi teknis resmi ERA5 dari ECMWF, mencakup variabel, resolusi, metode asimilasi 4D-Var, dan format data.
- Climate reanalysis | Copernicus — Penjelasan umum tentang reanalisis ERA5 dari Copernicus Climate Change Service, termasuk cakupan temporal dan resolusi spasial.
- The art of the chart: how to read a weather map — Panduan BOM Australia untuk membaca peta sinoptik, termasuk interpretasi isobar, sistem tekanan tinggi/rendah, dan palung monsun.
- The Intertropical Convergence Zone — Penjelasan NASA Earth Observatory tentang ITCZ, mekanisme konvergensi angin pasat, dan dampaknya terhadap curah hujan tropis.
- Annual Migration of the Tropical Rain Belt — Artikel NOAA Climate.gov tentang migrasi musiman sabuk hujan tropis dan kaitannya dengan onset monsun Asia Tenggara.
Senin, 11 Mei 2026
Sumber: Climate.gov, ilustrasi oleh Fiona Martin (What is the MJO, and why do we care?)
Mengapa Osilasi Madden-Julian Penting untuk Indonesia
Jawaban jangka pendek tentang apakah minggu depan akan hujan lebat atau kering tidak bisa kita ambil dari ENSO — El Niño dan La Niña beroperasi pada skala bulanan hingga tahunan. Jawaban sesungguhnya ada pada Osilasi Madden-Julian (MJO), sinyal intraseasonal yang menentukan kondisi cuaca minggu-minggu ke depan di atas Nusantara.
MJO adalah fluktuasi utama cuaca tropis pada skala waktu mingguan hingga bulanan, beroperasi di antara cuaca harian dan variabilitas iklim yang lebih panjang. Skala 30–60 hari ini adalah celah yang sulit dijangkau model NWP deterministik maupun proyeksi iklim musiman — MJO mengisi celah itu.
Dampaknya pada Indonesia nyata. Bagi prakirawan BMKG dan petani yang bergantung pada kalender tanam, posisi MJO adalah selisih antara banjir dan kekeringan di musim yang sama. Di lingkup global, MJO memodulasi intensitas monsun dan memicu cuaca ekstrem dari tropis hingga Amerika Utara. Memahami MJO bukan kemewahan akademis — ini kebutuhan operasional.
Apa Itu Osilasi Madden-Julian
MJO adalah gangguan yang bergerak ke timur — membawa awan, curah hujan, angin, dan tekanan — yang melintasi kawasan tropis dalam satu siklus 30 hingga 60 hari, rata-rata sekitar 40–50 hari. Berbeda dengan ENSO yang mewakili anomali musiman yang bertahan lama, MJO adalah variabilitas intraseasonal: ia datang, berlalu, lalu datang lagi.
Strukturnya adalah dipol dua fase yang bergerak ke arah timur. Fase enhanced (aktif): angin permukaan berkonvergensi, udara naik, awan konvektif tumbuh, dan curah hujan meningkat signifikan. Fase suppressed (tertekan): udara turun, langit relatif cerah, dan curah hujan di bawah normal. Kedua fase selalu hadir secara bersamaan di lokasi berbeda.
Fase konvektif aktif dimulai di atas Samudra Hindia ekuatorial, lalu bergerak perlahan ke timur dengan kecepatan 3–5 m/s menuju Pasifik barat dan tengah. MJO paling kuat berkembang di atas warm pool dengan SST di atas 28 °C. Ketika envelope konvektif melintas Maritime Continent, variasi curah hujan antar-pulau yang dramatis menjadi jelas karena topografi kepulauan yang kompleks memecah aliran kelembapan secara berbeda di tiap pulau.
Sumber: NOAA Climate.gov (What is the MJO, and why do we care?)
NASA mendeskripsikannya sebagai armada awan berpuncak tinggi yang bangkit di Samudra Hindia lalu berlayar ke timur, menenggelamkan Indonesia sebelum menyerbu Pasifik barat — dengan rata-rata siklus sekitar 48 hari dari data satelit.
Memahami Fase MJO Melalui Indeks RMM Wheeler-Hendon
Untuk memantau MJO secara operasional, kita menggunakan indeks Real-time Multivariate MJO (RMM) yang dikembangkan oleh Wheeler dan Hendon pada 2004. Indeks ini dibangun dari proyeksi harian tiga variabel — angin zonal pada 850 hPa, angin zonal pada 200 hPa, dan Outgoing Longwave Radiation (OLR) satelit — ke sepasang Empirical Orthogonal Function (EOF).
Hasilnya adalah dua komponen, RMM1 dan RMM2, yang mendefinisikan:
- Amplitudo: jarak titik (RMM1, RMM2) dari titik asal; \(< 1{,}0\) berarti MJO lemah, \(> 1{,}0\) berarti MJO aktif.
- Fase: posisi angular dalam diagram polar, dibagi menjadi 8 sektor geografis bernomor 1–8.
Di luar lingkaran satuan, indeks bergerak anti-searah jarum jam seiring envelope konvektif bergerak ke timur.
Diagram di bawah ini mengilustrasikan delapan fase RMM:
Diagram ini mengelompokkan 8 fase RMM berdasarkan dampak lokalnya di Indonesia. Fase 4–5 (biru): enhanced convection aktif, curah hujan di atas normal. Fase 1–3 dan 8 (merah): suppressed convection, kondisi lebih kering. Fase 6–7 (hijau/abu-abu): envelope konvektif bergeser ke Pasifik, dampak di Indonesia mereda.
Fase 1–2 mencakup Afrika dan Samudra Hindia barat; fase 3–4 Samudra Hindia timur dan pintu masuk Maritime Continent; fase 4–5 Maritime Continent dan Indonesia; fase 6–8 Pasifik barat hingga tengah-timur.
Fase Aktif dan Fase Tekan pada Indonesia
Tidak semua fase MJO berdampak sama pada Indonesia. Fase 4 dan 5 adalah yang paling signifikan: pada fase ini, envelope konvektif berada tepat di atas Maritime Continent, membawa peningkatan konvergensi permukaan dan curah hujan di atas normal. Inilah waktu ketika risiko banjir dan aktivitas badai tropis di sekitar Indonesia meningkat tajam.
Sebaliknya, fase 1–3 dan 8 berhubungan dengan suppressed convection dan kondisi lebih kering dari normal. Dominasi subsidensi menghambat awan konvektif — pada wilayah yang bergantung pada curah hujan musiman, fase tertekan ini berpotensi memperpanjang periode kering.
Sumber: NASA Scientific Visualization Studio, Jason West (UC) (Intraseasonal Variability: MISO and MJO)
Di wilayah Top End Australia — proksi terdekat yang punya data panjang untuk Maritime Continent — BOM mencatat peluang curah hujan kuintil teratas (sangat basah) lebih dari tiga kali lipat antara fase tertekan dan fase aktif MJO. Komplikasi tambahannya adalah efek Maritime Continent barrier: sekitar 40% event MJO gagal merambat penuh melewati kepulauan Indonesia, sehingga dampaknya bisa berhenti di Kalimantan atau Sulawesi tanpa pernah mencapai Papua.
Amplitudo menentukan sebesar apa dampak fase tersebut. Sebagai ilustrasi, MJO dengan amplitudo 2,5 di fase 5 membawa anomali curah hujan jauh lebih besar dibanding amplitudo 1,1 di fase yang sama.
Onset monsun Australia utara jarang terjadi selama setengah siklus MJO yang tertekan; onset sangat disukai selama fase enhanced aktif (4–6). Monitoring MJO bukan hanya soal curah hujan harian, tetapi juga timing musiman.
Interaksi MJO dengan El Niño dan La Niña
MJO tidak beroperasi dalam isolasi — background state ENSO memodulasi di mana dan seberapa kuat MJO berpengaruh.
Selama El Niño, konveksi MJO terdorong lebih jauh ke timur, ke Pasifik tengah; selama La Niña, anomali konvektif hampir tidak melewati Pasifik barat. Dalam konteks Indonesia:
- El Niño aktif: dampak MJO fase 4–5 melemah karena SST di Maritime Continent relatif lebih dingin.
- La Niña aktif: MJO fase aktif menemukan warm pool yang lebih hangat dan lebih luas. Ketika fase aktif MJO bertepatan dengan La Niña, anomali curah hujan di atas Indonesia bisa jauh di atas normal karena kedua fenomena saling menguatkan.
Posisi warm pool yang ditentukan oleh ENSO menggeser respons konveksi MJO. La Niña memperkuat respons curah hujan Indonesia karena warm pool terkonsentrasi tepat di Maritime Continent; El Niño melemahkan respons karena warm pool tergeser ke timur.
BOM mendokumentasikan hubungan dua arah ini: westerly wind burst MJO yang kuat dapat melemahkan trade wind dan membantu memicu El Niño. La Niña sebaliknya mengkonsentrasikan konveksi MJO di atas Maritime Continent, memperluas warm pool dan memperkuat respons curah hujan di Indonesia.
Kombinasi La Niña + MJO fase aktif adalah kondisi yang paling diwaspadai prakirawan Indonesia.
Memantau dan Memprakirakan MJO secara Operasional
NOAA CPC menyediakan monitoring MJO real-time menggunakan proyeksi ensemble GFS ke Wheeler-Hendon EOF, menghasilkan diagram fase, peta anomali OLR, dan komposit presipitasi per fase. Produk ini tersedia publik dan digunakan oleh badan meteorologi di kawasan tropis, termasuk BMKG.
BOM menerbitkan peta probabilitas curah hujan mingguan untuk setiap 8 fase MJO, memungkinkan prakirawan mengkomunikasikan peluang hujan lebat pada minggu-minggu ke depan berdasarkan posisi MJO saat ini.
Alur kerja operasional menggunakan RMM: baca posisi MJO hari ini, cek amplitudo, lalu pilih produk prakiraan yang relevan. MJO aktif memperluas horizon prakiraan dari 10 hari (NWP deterministik) menjadi 3–4 minggu (subseasonal).
Integrasi MJO ke dalam prakiraan subseasonal memberikan horizon proyeksi 3–4 minggu ke depan, jauh melampaui skill deterministik model NWP pada hari ke-10. Kita bisa membaca posisi MJO dari diagram fase RMM hari ini dan memperkirakan ke fase mana sistem akan bergerak dalam 1–2 siklus ke depan — informasi yang tidak tersedia dari NWP semata.
Eksplorasi artikel meteorologi lainnya di meteo.my.id — kunjungi https://meteo.my.id untuk topik mulai dari dinamika monsun Asia-Australia hingga cara membaca data ERA5 dan output model NWP langsung dari Python.
Referensi
- What is the MJO, and why do we care? — NOAA Climate.gov — Penjelasan kanonik NOAA tentang definisi MJO, struktur dipol dua fase, propagasi ke timur, 8 fase geografis, dan dampak globalnya termasuk modulasi monsun dan siklon tropis.
- PSL MJO Primer — NOAA Physical Sciences Laboratory — Primer teknis tentang kecepatan propagasi (3–5 m/s), struktur spasial di atas warm pool, dan bagaimana background state ENSO menggeser envelope konvektif MJO ke timur (El Niño) atau ke barat (La Niña).
- CPC MJO Monitoring — NOAA/NWS/NCEP Climate Prediction Center — Halaman monitoring operasional NOAA CPC menggunakan indeks RMM Wheeler-Hendon (2004) dengan komponen RMM1, RMM2, dan diagram fase 8 sektor geografis.
- Madden-Julian Oscillation Monitoring — Bureau of Meteorology — Hub monitoring MJO operasional BOM, termasuk peta probabilitas curah hujan per fase, dampak pada onset monsun Australia, dan hubungan dua arah MJO–ENSO.
- Intraseasonal Variability: MISO and MJO — NASA Scientific Visualization Studio — Visualisasi NASA menggunakan data OLR dan angin permukaan satelit yang mendokumentasikan siklus rata-rata 48 hari MJO, propagasi ke timur melintasi Indonesia, dan penguatan anomali curah hujan saat MJO aktif bertepatan dengan La Niña.