Pengumpulan data dan wawancara Analisis Citra untuk Monitoring Waktu Tanam dan Luas Lahan

3.3.1. Pengumpulan data dan wawancara

Pengumpulan data curah hujan bulanan dari instansi terkait seperti Balitklimat, BMG, PSDAPU serta Dinas Pertanian untuk mengetahui kondisi curah hujan. Pengumpulan data luas tanam, luas lahan, penggunaan lahan, dan rotasi tanam serta wawancara dengan petani dan narasumber untuk mengetahui pola dan waktu tanam yang dilakukan petani di sentra produksi tanaman pangan. Data citra satelit yang didukung oleh data statistik pertanian digunakan untuk monitoring perubahan luas tanam serta onset pada saat terjadinya korelasi antara curah hujan dengan ENSO dan IOD. Pengumpulan data iklim regional ENSO dan IOD melalui situs wabsite. Untuk mengetahui besarnya pengaruh ENSO pada kejadian curah hujan adalah dengan menggunakan indek ENSO yang diukur dari anomali SST daerah Niño 3.4 yang didefinisikan sebagai perbedaan anomali di Pasifik timur, Tahiti 17,6 o LS, 149,6 o BB dengan Pasifik barat di Darwin, Australia 12,4 o LS, 130,9 o BT. Posisi daerah Niño 3.4 mencakup sebagian daerah Niño 3 dan sebagian daerah Niño 4, yang terletak pada 120 o BT – 170 o BB dan 5 o LS – 5 o LU Gambar 4. Data suhu muka laut di Nino 3.4 biasanya dihitung bulanan dan diperoleh dari situs internet http:www.cpc.ncep.noaa.gov. Gambar 4. Posisi daerah Niño 3.4 di Samudera Pasifik sumber : http:www.cpc.ncep.noaa.gov Sama halnya dengan ENSO, IOD dinyatakan dalam bentuk indeks yaitu DMI. DMI dapat didefinisikan sebagai perbedaan antara suhu muka laut di kawasan barat Samudera Hindia 50°-70°BT, 10°LU-10°LS dengan suhu muka laut di kawasan tenggara Samudera Hindia 90°-110°BT, 0°-10°LS. Data IOD bulanan diperoleh dari IRI website. Gambar 5. Lokasi Fenomena Dipole Mode DM di Samudera Hindia sumber: Saji et.al., 1999

3.3.2. Analisis Iklim Regional

3.3.2.1. Analisis Curah Hujan

Data curah hujan yang digunakan adalah data curah hujan sekunder dari stasiun-stasiun hujan periode tahun 1990 sampai 2007. Stasiun hujan yang menyebar di provinsi jawa barat sangatlah banyak, namun stasiun yang memiliki data curah hujan dibawah 10 tahun stasiun tersebut tidak digunakan sehingga dalam penelitian ini stasiun yang digunakan adalah 346 stasiun. Data yang didapat masih ditemukan data-data yang kosong missing data. Untuk mengisi kekosongan data tersebut digunakanlah data curah hujan interpolasi grid. Interpolasi grid merupakan analisis dari ArcView yang digunakan untuk interpolasi data hujan di masing-masing stasiun untuk memperoleh grid kontinyu data hujan yang selanjutnya dapat dibuat peta isohiyet. Seluruh jumlah titik stasiun yang memiliki nilai curah hujan tertentu, ArcView akan menghitung jarak dan nilai dari stasiun terdekat atau disekitarnya. Pada dasarnya proses dari metode ini dilakukan dengan menggabungkan database sinoptik dengan database stasiun hujan dan membangkitkan data yang kosong dengan ekstrak data grid dari interpolasinya yang berkesinambungan.

3.3.2.2. Analisis Hubungan Curah Hujan dengan ENSO dan IOD

Analisis anomali curah hujan bulanan dihitung tiap stasiun kemudian di cari anomalinya terhadap nilai rata-rata curah hujan. Ano CH ij = CH ij – CH ij CH ij = ∑ = n j j CH n i 1 Keterangan: Ano CH ij = anomali curah hujan di stasiun ke-i bulan ke-j Data dibagi berdasarkan penetapan musim yaitu Juni-Juli-Agustus JJAMusim Kemarau, September-Oktober-November SONPancaroba, Desember-Januari-Februari DJFMusim Hujan dan Maret-April-Mei MAM Pancaroba. Nilai anomali curah hujan ini dikorelasikan dengan nilai SST dan DMI untuk mengetahui hubungan antara anomali curah hujan yang terjadi di setiap stasiun hujan dengan nilai anomali Nino dan IOD sebagai indikator penyimpangan iklim. Pada analisis ini digunakan program Minitab 14 dengan cara menghitung nilai korelasi r yaitu korelasi antara dua variable Walpole, 1982. Rumus perhitungan nilai korelasi adalah: ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ − ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ − ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − = ∑ ∑ ∑ ∑ ∑ ∑ ∑ = = = = = 2 1 2 2 1 2 1 1 1 n i n i i n i n i i n i n i i n i i i y y n x x n y xi y x n r Keterangan: r = korelasi n = jumlah data x = anomali SST nino 3.4 atau anomali IOD y = anomali curah hujan Nilai korelasi berkisar antara -1 dan 1 atau ditulis -1 ≤ r ≥ 1, niai korelasi yang mendekati -1 atau 1 menunjukkan semakin besar keterikatannya. Tanda positif atau negative menunjukkan arah korelasinya. Bila korelasi antara x dan y negatif maka kenaikan variabel x akan menyebabkan penurunan y atau sebaliknya.

3.3.2.3. Korelasi Lagging

Dengan mempertimbangkan faktor lag, untuk melihat maju mundurnya hubungan antara prediktor dan prediktan sehingga diperoleh informasi korelasi anomali iklim pada waktu tertentu Pearson Methode. dimana: = sample rata-rata untuk variabel pertama − x s x = standar deviasi unatuk variabel pertama − y = sample rata-rata untuk variabel kedua = standar deviasi untuk variabel kedua s y = panjang kolom n

3.3.2.4. Analisis Hubungan Curah Hujan dengan ENSO dan IOD dalam bentuk Spasial

Bentuk spasial dari nilai korelasi antara CH dengan ENSO dan IOD dapat lebih menjelaskan daerah mana saja yang dipengaruhi oleh iklim regional tersebut. Dimana dilakukan pembagian daerah berdasarkan nilai korelasi yaitu terpengaruh lemah r ≥-0,4, terpengaruh sedang -0,4r-0,5, terpengaruh kuat r ≤-0,5, dan daerah yang tidak signifikantidak terpengaruhi. Metode Interpolasi grid digunakan dalam menampilkan bentuk spasial dari nilai korelasi antara CH dengan parameter iklim regional. Interpolasi grid merupakan analisis dari ArcView yang digunakan untuk interpolasi data korelasi di masing-masing stasiun untuk memperoleh grid kontinyu dari data titik shapefile yang selanjutnya dapat dibuat peta isohiyet. Metode Interpolasi grid yang digunakan yaitu menggunakan rata-rata tertimbang antara nilai dan jarak terdekat ke sel yang diinterpolasi IDW Nuarsa, 2005. 3.3.3. Analisis Dinamika Waktu dan Luas Tanam Padi terhadap ENSO dan IOD Untuk mengetahui dinamika waktu dan luas tanam dilakukan dengan menganalisis hubungan antara indeks regional dengan luas tanam pada wilayah onset dalam kalender tanam yang telah dibuat oleh Badan Litbang Pertanian Las et.al., 2007. Untuk analisis hubungan data luas tanam dan indeks regional dilakukan normalisasi data. Normalisasi data dilakukan dengan maksud untuk menghilangkan bias data dari pengaruh faktor lain seperti tren konversi lahan pertanian. Metode yang digunakan adalah Z-Score atau Normal Score. Perhitungan dengan menggunakan persamaan sebagai berikut: Dimana : x = skor data yang dinormalkan σ = standar deviasi dari populasi μ = rata-rata populasi Jika variable acak dipertimbangkan sebagai rata-rata sample: maka: Piranti lunak yang digunakan adalah Minitab Ver 14. Luas Panen dan Produksi padi dibagi berdasarkan onset, kemudian dikorelasikan dengan data curah hujan dan dilihat pengaruhnya terhadap ENSO dan IOD. Dari hasil analisis tersebut maka akan diketahui berapa dasarian pergeseran waktu tanamnya. Tabel 4. Onset kalender tanam untuk tanaman padi sawah Zona Onset 1. Sep I – II 2. Sep III-Okt I 3. Okt II – III 4. Nov I – II 5. Nov III – Des I 6. Des II – III 7. Jan I – II 8. Jan III – Feb I Sumber: Las et al., 2007

3.3.3. Analisis Citra untuk Monitoring Waktu Tanam dan Luas Lahan

Citra satelit Landsat TM digunakan untuk melakukan monitoring dan verifikasi hasil analisis indikator ENSO dan IOD, pada wilayah-wilayah yang diindikasikan terpengaruh oleh sinyal perubahan suhu muka laut pada berbagai tingkat kekuatan sinyal tersebut terhadap dinamika curah hujan, pola tanam dan luas tanam padi. Analisis Citra: 1. Prepocessing data digital Citra Landsat berupa koreksi geometric citra, yaitu rektifikasi data citra wilayah jawa barat dengan citra jawa barat yang telah terkoreksi menggunakan analisis titik control medan Ground Control PointGCP. 2. Koreksi radiometric, berupa koreksi yang bertujuan untuk meminimalisasi kesalahan yang disebabkan pengaruh detektor satelit atau pengaruh gangguan atmosfer Lillesand et al., 1994. Karena dalam penelitian ini digunakan data lebih dari 1 waktu rekaman multitemporal, maka dilakukan koreksi radiometri untuk menyamakan tampilan dan standarisasi perhitungantransformasi nilai digital. Salah satu cara yang dilakukan adalah dengan menyamakan nilai digital untuk objek air laut, dengan referensi atau acuan nilai digital air laut dipilih citra yang paling clear bersih dari awan. 3. Processing data citra landsat: Penajaman citra dengan teknis histogram equalized stretch untuk memperoleh kontras yang diinginkan. Kemudian dilakukan pemotongan citra. 4. Analisis nilai NDVI Normalized Difference Vegation Index Fase pertumbuhan tanaman adalah tanaman pada fase awal generatif pinnacle initiation yaitu pada saat tanaman padi sedang produksi. Tingkat kehijauan tanaman diperkirakan melalui analisis data digital citra satelit menggunakan formula NDVI, dihitung secara otomatis menggunakan paket program Arc View Version 3.3. Tranformasi NDVI dihitung berdasarkan rasio dari intensitas yang diukur pada band spektral yang berada disekitar warna merah R dan disekitar infra merah NIR dengan persamaan sebagai berikut: red NIR red NIR NDVI + − = = Band 4 – Band 3 Band 4 + Band 3 Dengan mempertimbangkan terjadinya resiko kekeringan maupun serangan hama dan penyakit, maka padi muda yang berumur kurang dari 5 minggu tidak digunakan untuk perkiraan luas panen.

3.3.4. Deliniasi onset terkait dengan sinyal ENSO dan IOD