PENGARUH ANOMALI SUHU MUKA LAUT (SML) SAMUDERA PASIFIK TERHADAP CURAH HUJAN PROPINSI BENGKULU
PENGARUH ANOMALI SUHU MUKA LAUT (SML) SAMUDERA
PASIFIK TERHADAP CURAH HUJAN PROPINSI BENGKULU
1) 2)
Irkhos dan M. Sutarno
1)Jurusan Fisika FMIPA Universitas Bengkulu, Jl Raya Kandang Limun Bengkulu, Telp (0736) 21184 2)
Program Studi Pendidikan Fisika FKIP Universitas Bengkulu, Jl Raya
Kandang Limun Bengkulu, Telp (0736) 21186, e-mail : nsw_noy@yahoo.com
AbstrakPenelitian ini bertujuan untuk memperoleh korelasi antara kejadian perubahan anomali suhu muka laut (SML) wilayah nino-3 terhadap Curah Hujan di Provinsi Bengkulu sehingga dapat digunakan dalam penentuan awal musim bercocok tanam untuk mengoptimalkan hasil pertanian. Metode yang digunakan adalah sistem Adaptif Neoro Fussy Inference system (ANFIS). Hasil penelitian ini menunjukkan bahwa ASML Samudera Pasifik tidak berkolerasi kuat terhadap curah hujan propinsi Bengkulu dengan koefisien korelasi sebesar 0,6. Hasil ini dapat diinterpretasikan bahwa perubahan anomali suhu muka laut samudera Pasifik berkolerasi kuat terhadap curah hujan di propinsi Bengkulu. Faktor lokal lebih dominan mempengaruhi curah hujan di propinsi Bengkulu.
Kata Kunci : anomali suhu muka laut, curah hujan Abstarct
This research as a purpose determine the beginning engage an farming in province of Bengkulu with to know Temperature of sea anomaly Pacific ocean Nino-3 zone – rainfall correlations. This research used Adaptife Neuro Fuzzy Infernce System (ANFIS) method. According this research is temperature of sea anomaly in Pacific ocean Nino-3 zone, not strong indication effect to rainfall in province of Bengkulu with correlation index is 0,6.. However, according prediction on thisresearch extreme temperature of sea anomaly in Pacific ocean will give effect on Province of Bengkulu rainfall, the rain of province Bengkulu on second month after extreme conditions.
Keyword : temperature of sea anomaly, rainfall
PENDAHULUAN iklimnya dipengaruhi oleh sirkulasi
Propinsi Bengkulu terletak atmosfer global, regional dan lokal, pada pantai barat pulau Sumatera seperti sirkulasi utara-selatan (Hadley), dengan posisi 101 1’ - 104 46’ Bujur sirkulasi barat-timur (Walker) dan Timur dan 2 16’ – 5 13’ Lintang sistem angin lokal. Gangguan terhadap Selatan, yang membujur sejajar dengan salah satu sistem sirkulasi ini akan bukit barisan dan berhadapan langsung mempengaruhi cuaca dan iklim di dengan Samudera Hindia. Sedangkan Indonesia (Dupe, 2000). dalam skala nasioanal posisi geografis Penelitian tentang prakiraan Indonesia terletak di antara Samudera musim/iklim berkembang secara pesat. Hindia dan Samudera Pasifik dan di Tersedianya komputer yang canggih antara Benua Asia dan Benua Australia memungkinkan hitungan yang serta berada pada ekuator. Kondisi ini komplek dilakukan secara cepat dan menyebabkan cuaca, musim dan tepat. Prakiraan musim, baik secara perwilayahan maupun global sedang berkembang, seperti di Australia oleh pusat-pusat Penelitian Biro Meteorologi. Departemen Industri Queensland, Divisi Penelitian Atmosfer dan Kelautan CSIRO, perguruan tinggi dan badan-badan pemerintah di Amerika Serikat. Sejumlah pusat kajian dan informasi iklim seperti Lembaga Kajian Internasional Prakiraan Iklim IRI, Badan Administrasi Atmosfer dan Kelautan NOAA, Pusat Cuaca Nasional NWC dan Pusat Kajian Nasional Atmosfer NCAR. Di Eropa seperti pusat prakiraan untuk jangka menengah ECMWF dan Pusat Hadley di Inggris untuk Penelitian dan Prakiraan Iklim (Lan J. Partridge, 2002).
Penelitian iklim di Indonesia sejak beberapa tahun lalu menyimpulkan adanya tekanan atmosfer tinggi di Indonesia selama 6 bulan pertama yang kemudian diikuti dengan kondisi curah hujan di bawah harga rata-ratanya pada 6 bulan berikutnya. Ahli iklim lainnya mengembangkan model sederhana untuk prakiraan regional dan hujan musiman. Ber Lage 1927 untuk curah hujan tipe monsum di Pulau Jawa, De Boer 1947 untuk awal dan akhir musim kemarau di Pulau Jawa dan Madura serta Sulawesi dan Kalimantan Selatan, Reesincik 1952 untuk awal musim hujan di Pulau Jawa.
BMG mulai memberikan informasi prakiraan curah hujan musiman untuk sekitar 100 daerah prakiraan musim (dpm) secara nasional. Pembagian dari daerah prakiraan musim tergantung pada distribusi dari catatan stasiun penakar hujan, sehingga 63 dpm berada di Pulau Jawa, 14 dpm di Pulau Sumatera, 11 dpm di Pulau Bali dan Nusa Tenggara dan 2-3 dpm di Pulau
Kalimantan, Maluku, Sulawesi dan Irian Jaya (Lan J. Partridge, 2002).
Nichols 1981 dari Pusat Penelitian Biro Meteorologi Australia BRMC memperlihatkan bahwa variabilitas awal musim hujan di kepulauan Indonesia dapat diprakirakan dari simpangan tekanan udara dan hal ini berhubungan dengan suhu muka laut (SML). Modelnya merupakan korelasi curah hujan di Jakarta selama September-November dengan tekanan udara di Darwin di bulan Agustus. Anomali Suhu Muka Laut (ASML) berkaitan dengan El- Nino dan La Nina.
Prakiraan iklim secara terperinci sampai ke wilayah-wilayah masih sangat sedikit. Penelitian tentang iklim masih dalam cakupan wilayah yang luas padahal penelitian di tiap- tiap wilayah sangat dibutuhkan untuk menunjang pembangunan di berbagai bidang, termasuk bidang pertanian (Sulistya, 2001).
Metoda Adaptive Neuro-Fuzzy
Inference Systems (ANFIS)
dikembangkan oleh Jang (1997) merupakan metoda matematis yang didasarkan pada teori logika samar (Fuzzy Logic) yang dapat digunakan untuk memperkirakan parameter iklim. Berdasarkan hasil penelitian, metode ANFIS dapat digunakan untuk memperkirakan secara akurat fenomena iklim karena data iklim di masa lampau tidak teratur (chaotic) (Irkhos, 2005).
METODE PENELITIAN Data Penelitian
Data yang digunakan pada penelitian ini adalah data sekunder anomali suhu muka laut rerata bulanan dari tahun 1955 hingga 2005 pada daerah Niño-3 (5 LU – 5 LS) (150 BB – 90 BB) yang di peroleh dari internet dan bersumber dari NOAA Prediction Center
(www.cdc.noaa.gov). dan data curah hujan Provinsi Bengkulu dari tahun 1955 hingga 2005 yang bersumber dari BMG Bengkulu.
adalah data normalisasi, u adalah data, u min adalah data terendah, u maks adalah data tertinggi. Untuk memperoleh nilai anomali suhu muka laut maka digunakan persamaan : min min
Iklim di Indonesia dapat dibagi menjadi tiga yaitu pola moonson, pola ekuatorial dan pola lokal. Pola Moonson dicirikan oleh bentuk pola
Setelah diperoleh bulan-bulan terjadinya perubahan anomaly SML samudera Pasifik wilayah nino-3 menggunakan Sytem Fuzzy, kemudian dikorelasikan dengan intensitas curah hujan pada bulan tersebut menggunakan ANFIS. Data ini digunakan untuk prakiraan awal musim hujan sehingga dapat ditentukan awal musim bercocok tanam yang tepat.
Metode Penafsiran dan Penyimpulan Hasil Penelitian
Kelayakan hasil prakiraan dinyatakan berdasarkan besarnya kesalahan rata- rata hasil proses ANFIS.
Selanjutnya data dibagi menjadi dua bagian yaitu 2/3 data untuk proses pembelajaran sedangkan 1/3 data terakhir untuk validasi hasil perhitungan. Hasil yang memiliki kesalahan kecil dianggap layak, berdasarkan proses validasi dengan data terukur. Untuk prakiraan kedepan, maka seluruh data digunakan sebagai data pembelajaran. Data keluaran validasi merupakan data yang secara umum mewakili periodisitas data.
u u u u u maks n
) (
n
Pengolahan Data
dengan u
u u u u u maks n
Data diolah dengan proses sebagai berikut : Sebelum diproses dengan ANFIS data disusun menurut variasi rerata bulanan dan dinormalisasi dengan persamaan berikut : min min
Metode Pengolahan Data
Dalam analisis data, dilakukan tahapan sebagai berikut : (a) Identifikasi Data. Identifikasi data dititikberatkan pada analisis periodisitas data anomali suhu muka laut dan analisis periodisitas data curah hujan Provinsi Bengkulu. (b) Identifikasi data masukan. Data masukan adalah data rerata bulanan dari tahun 1955 hingga 2005 anomali suhu muka laut di wilayah Niño-3 selama kurun waktu tersebut, dan data curah hujan Propinsi Bengkulu selama waktu tersebut. (c) Identifikasi keluaran. Data keluaran adalah grafik yang memperlihatkan periodisitas waktu terjadinya perubahan anomali SML wilayah nino-3 serta curah hujan variasi bulanan propinsi bengkulu. Hasil ini dikorelasikan satu sama lain untuk memperoleh hubungan perubahan anomali SML samudera Pasifik wilayah nino-3 terhadap curah hujan di Bengkulu. Kemudian dilakukan prakiraan curah hujan ke depan dengan menggunakan data keluaran validasi sebagai pembangkit keluaran sistem samar.
Analisis Data
Metode yang digunakan adalah rekayasa perangkat lunak sistem kesimpulan samar jaringan syaraf adaptif (ANFIS). Tahapan yang dilakukan adalah analisis, implementasi pada ANFIS, korelasi, dan pengujian (validasi). Pada tahap analisis akan diidentifikasi data masukan dan data keluaran. Tahap selanjutnya yaitu implementasi pada ANFIS. Selanjutnya program tersebut diuji pada tahap pengujian serta dilakukan validasi hasil.
HASIL DAN PEMBAHASAN
hujan yang bersifat unimodal (satu puncak musim hujan). Selama tiga bulan curah hujan relatif tinggi biasa disebut musim hujan, yakni Desember, Januari dan Februari (DJF) dan tiga bulan curah hujan rendah bisa disebut musim kemarau , periode Juni, Juli dan Agustus (JJA), sementara enam bulan sisanya merupakan periode peralihan (tiga bulan peralihan kemarau ke hujan, dan tiga bulan peralihan hujan ke kemarau). Pola ekuatorial dicirikan oleh pola hujan dengan bentuk bimodal (dua puncak hujan) yang biasanya terjadi sekitar bulan Maret dan Oktober yaitu pada saat matahari berada dekat ekuator. Pola lokal dicirikan oleh bentuk pola hujan unimodal (satu puncak hujan) tapi bentuknya berlawanan dengan pola hujan pada tipe moonson.
Letak Propinsi Bengkulu pada pantai barat pulau Sumatera dengan posisi 101 1’ - 104 46’ Bujur Timur dan 2 16’ – 5 13’ Lintang Selatan, yang membujur sejajar dengan bukit barisan dan berhadapan langsung dengan Samudera Hindia. Faktor lain yang dapat berpengaruh terhadap keragaman iklim Indonesia ialah gangguan siklon tropis. Faktor-faktor di atas akan mempengaruhi curah hujan di wilayah Indonesia.
Gambar 1. Pembelajaran system samar Dari hasil pembelajaran sistem samar Gambar 1. dapat dilihat ASML secara periodik. Puncak-puncak ASML muncul pada selang waktu-waktu tertentu yang berulang. Pada waktu terjadi puncak-puncak ASML sebagian besar wilayah Indonesia terjadi musim kemarau, namun terdapat beberapa wilayah di Indonesia terjadi musim hujan. Berdasarkan visualisasi data curah hujan di propinsi Bengkulu dari tahun 1977 sampai dengan 2006, kenaikan ASML tidak diikuti dengan penurunan curah hujan secara signifikan. Hal ini bisa disebabkan oleh beberapa faktor diantaranya lebih dominannya pengaruh Samudera Hindia serta pengaruh faktor lokal seperti topografi bengkulu. Namun ketika perubahan ASML yang ekstrim (pada puncak-puncak dan berlangsung lebih dari 2 bulan) maka terlihat perubahan yang cukup signifikan terhadap ASML.
Berdasarkan pengalaman kejadian kekeringan dari tahun 1960, ditemukan bahwa kejadian kekeringan tidak selalu bersamaan dengan El- Nino. Sebagai contoh tahun 1961, 1967 dan 1977 hampir sekitar 75% wilayah Indonesia mengalami curah hujan di bawah normal namun tahun-tahun tersebut tidak tercatat sebagai tahun El-Nino. Hal ini menunjukkan bahwa pengaruh lokal pada kondisi tertentu dapat mengalahkan pengaruh El-Nino. Namun demikian secara umum terjadinya El-Nino selalu diikuti oleh kejadian kekeringan di Indonesia. Pengamatan El-Nino periode 1896- 1987 diperoleh bahwa untuk setiap peningkatan anomali suhu muka laut di daerah Nino-3, curah hujan regional di Indonesia turun sekitar 60 mm. Curah hujan regional berkurang dari kondisi normal apabila suhu muka laut di Nino-3 naik hingga mencapai 1.8 oC di atas normal. Berbeda dengan fenomena El Nino, pada saat La Nina terjadi periode musim hujan DJF seluruh wilayah Indonesia mengalami periode basah bahkan di beberapa wilayah jumlah hujan yang terjadi meningkat secara nyata, hal ini berlanjut hingga JJA, pada periode yang seharusnya musim kemarau, di Indonesia masih basah.
KESIMPULAN DAN SARAN
Peningkatan curah hujan tahunan pada kondisi La Nina kuat berada di atas normal.
Prediksi ASML yang divisualisasikan untuk 6 bulan, prediksi ASML yang dianalisis hanya prediksi untuk 1 bulan terakhir, hal ini didasarkan atas eror yang semakin besar untuk prediksi lebih dari 6 bulan. Dari gambar dapat dilihat adanya perubahan ASML di wilayah Nino 3 pada 5 bulan pertama, kondisi ini diikuti dengan meningkatnya curah hujan disebagian besar wilayah Indonesia, pada prediksi curah hujan bulan keenam yang merupakan prediksi yang digunakan terlihat antara ASML dan curah hujan tidak berkolerasi kuat. Dari data curah hujan di propinsi bengkulu (terlampir) terlihat bahwa peningkatan curah hujan tidak berkolerasi kuat dengan penurunan ASML samudera Pasifik zona Nino-3 dengan koefisien korelasi sebesar 0,6.
Berdasarkan analisis data dan interpretasi hasil dapat disimpulkan bahwa perubahan ASML Samudera Pasifik wilayah Nino 3 tidak signifikan mempengaruhi perubahan curah hujan di proponsi Bengkulu dengan koefisien korelasi sebesar 0,6. Untuk penelitian kedepan disarankan menggunakan metode dinamis dengan memasukkan faktor-faktor lokal sebagai variabel data, seperti kecepatan angin, tekanan udara, dan topografi
DAFTAR PUSTAKA
Data Suhu Permukaan Laut dari Satelit untuk Analisis Klimatologi di Daerah Tropik .
La-Nina Menggunakan Logika Samar . Jambi: Prosiding
Gambar 2. Prediksi curah hujan Bengkulu untuk satu bulan
Fenomena ENSO Berbasis Model Sirkulasi Global . Jurnal LAPAN , vol. 1, no. 3.
B., 1999, Simulasi
Siswanto,
Soft Computing. USA; Prentice Hall International, Inc.
Semirata Wilayah Barat. Jang, J.S.R., 1997, Neuro-Fuzzy and
Irkhos., 2005, Prediksi El-Nino dan
Jakarta; Prosiding Seminar Aplikasi Penginderaan Jauh untuk Kelautan.
Nino Sciences Gift to the 21 st Century . http://www.dir.ucar.edu/esiq/el nino/glantz1.html .
Glantz, M.H., 1998, Forecasting El-
Adiningsih, E.S., 1998, Pemanfaatan
Dolan, 1986, Experimental
Cane, M.A., S.E. Zebiak, and S.C.
Dampak Peristiwa Enso Terhadap Anomali Curah Hujan di Wilayah Indonesia Selama Periode 1890-1989 . Jurnal LAPAN , vol. 3, no. 2.
Avia, L.Q. dan Hidayati, R., 2001,
Forecast of El-Nino . Nature, vol. 321, p. 827-832. Sulistya, W., 2001, Dampak El Nino
dan La Nina Terhadap Musim di Jawa Tengah . Semarang;
Prosiding Seminar El Nino dan La Nina.