99
V. PENYUSUNAN MODEL PREDIKSI CURAH
HUJAN BERDASARKAN FENOMENA ENSO DAN IOD UNTUK MENENTUKAN
RENCANA TANAM
5.1. Pendahuluan
Curah hujan merupakan salah satu unsur iklim yang mempunyai variabilitas dan fluktuasi yang paling tinggi diantara unsur iklim lainnya di daerah
tropis khususnya di Indonesia. Distribusi dan pola curah hujan yang teratur sangat besar peranannya dalam menentukan pertumbuhan dan hasil tanaman baik
menurut skala ruang dan waktu sehingga dapat memberikan jaminan kesinambungan budidaya pertanian. Namun kondisi tersebut akan mengalami
gangguan jika terjadi anomali iklim ekstrim. Penyimpangan cuacaiklim yang terjadi di Indonesia dapat diakibatkan oleh perubahan suhu muka laut baik di
wilayah pasifik Equatorial maupun di wilayah Samudera Hindia seperti kejadian ENSO dan IOD.
Identifikasi sistem pertanaman dalam skala ruang dan waktu khususnya tanaman padi telah dilakukan oleh Badan Litbang Pertanian melalui Balai Besar
Sumberdaya Lahan Pertanian BBSDLP dengan telah tersusunnya Kalender Tanam baik secara potensial maupun eksisting. Namun demikian belum ada
informasi peluang terjadinya penyimpangan curah hujan baik diakibatkan oleh perubahan suhu muka laut di Samudera pasifik Equatorial maupun Samudera
Hindia terutama pada wilayah-wilayah yang terindikasi kuat dipengaruhi oleh kedua fenomena iklim global tersebut.
Berbagai teknik analisis dan pemilihan model dalam menyusun prediksi sudah banyak dilakukan dengan pendekatan analisis keterkaitan waktu seperti
regresi fourier, analisis fractal, atau pendekatan analisis hubungan curah hujan dengan anomali suhu muka laut Nino 3,4 Dupe dan Tjasyono 1998; Boer 1999.
Namun demikian penggunaan jaringan syaraf tiruan neural network, NN merupakan alternatif pilihan sebagai salah satu model untuk menentukan peluang
penyimpanan curah hujan karena mempunyai keunggulan utama yaitu terletak pada kemampuannya merepresentasikan hubungan-hubungan liniear maupun
nonlinear, terutama hubungan-hubungan nonlinear yang rumit. NN meniru kerja
100 otak manusia dalam proses penyelesaian dan penyimpanan memori sehingga
dapat memprediksi curah hujan dengan pola acak kejadian hujan yang lebih baik. Dalam dua tahun terakhir metoda NN diaplikasikan dalam memprediksi
curah hujan. Koesmaryono et al. 2007 menggunakan jaringan syaraf untuk memprediksi curah hujan 3 bulanan di Wilayah Subang-Karawang dan
memperoleh hasil yang sangat baik dengan nilai cakupan untuk Subang dan Karawang masing-masing 0.88 dan 0.91. Model tersebut memiliki sensitivitas
0.010-0.348 dengan tingkat kesalahan maksimum 5.1 mm untuk Karawang dan sensitivitas 0.000-0.835 dengan tingkat kesalahan maksimum 7.9 mm untuk
wilayah Subang. Namun demikian model tersebut masih belum mampu memprediksi nilai-nilai ekstrim curah hujan yang terjadi sewaktu-waktu.
Pramudia 2008 memprediksi curah hujan di sentra produksi padi Pantura Banten, Pantura Jawa Barat, dan Kabupaten Garut yang dilakukan dengan
menggunakan analisis jaringan syaraf propagasi terbalik memperoleh hasil ketepatan model antara 80-91 dan tingkat kesalahan prediksi berkisar 4,1
hingga 7,2 mmbulan. Model menggunakan data masukan nilai anomali ENSO dan SOI tiga bulan sebelumnya dan menghasilkan nilai prediksi yang dibatasi
oleh nilai minimum dan nilai maksimum tertentu, sehingga hasil prediksinya terlihat tidak lentur karena terbatas pada kisaran tertentu. Selanjutnya Eksawati
2009 menggunakan analisis jaringan syaraf propagasi terbalik dengan input nilai anomali ENSO dan SOI empat bulan sebelumnya, menghasilkan model
terbaik dengan R
2
sebesar 84 dan 77 pada dua stasiun yang berbeda. Pada penelitian ini dikembangkan alternatif model prediksi curah hujan
dengan menggunakan metode analisis jaringan syaraf propagasi balik dengan memasukkan fenomena iklim ENSO dan IOD pada berbagai perbedaan lag
dasarian untuk memprediksi curah hujan pada kalender tanam padi di wilayah- wilayah yang terindikasi kuat dipengaruhi oleh kedua fenomena iklim global
tersebut pada periode sepuluh harian dasarian.
5.2. Metodologi
Kategori