Analisis Dampak Perubahan Pola Curah Hujan ... - Blogs Unpad

lainnya dapat ditanam palawajia 1 kali seperti Subang Indramayu, Cirebon,Purwakarta, Bandung, dan CiamisGambar 8 Distribusi Spasial Awal Tanam (dasarian ke )Gambar 9. Distribusi Potensi Pola Tanam Tanaman Pangan(kontur warna hijau, garis persegi, dan garis silang masingmasingmenunjukkan untuk padi, palawija, dan bera)3. Potensi Produksi Taman PanganBerdasarkan analisis spasial produksi tanaman pangan di wilayah Jawa Baratmenunjukkan bahwa potensi pusat produksi tanaman padi terdapat di wilayahKarawang, Subang, Majalengka, Sumedang, Garut, dan Cianjur (Gambar 10). WilayahGarut, Sumedang, dan Cianjur berpotensi untuk produksi tanaman jagung (Gambar11). Potensi tanaman kedelai juga terdapat di wilayah Garut, Sumedang, Cianjur,Subang, dan Cirebon (Gambar 12). Potensi produksi tanaman pangan di daerah9

tersebut tentu didukung oleh potensi curah hujan dan ketersediaan air tanah yangmemadai di daerah tersebut seperti yang talah dijalaskan sebelumnya.Gambar 10. Potensi Produksi Tanaman Padi (1000 ton)Gambar 11. Potensi Produksi Tanaman Jagung (1000 ton)Gambar 12. Potensi Produksi Tanaman Kedelai (1000 ton)10

4. Model dan Prediksi Curah HujanModel curah hujan (bulanan atau tahunan) di wilayah Jawa Barat dapatdibangkitkan dengan baik dari data numerik curah hujan historis dan data fenomenaglobal seperti Dipole Mode di Lautan Hindia yang diindikasikan oleh data indeksDipole Mode atau DMI dan Osilasi Selatan yang diindikasikan oleh data indeks OsilasiSelatan atau SOI (Gambar 13).Selama simulasi model curah hujan bulanan atau tahunan mempunyai biassangat kecil yang ditunjukkan oleh nilai RMSE maupun MAPE yang sangat kecil.Model curah hujan tersebut mempunyai presisi (E) yang sangat tinggi (Tabel 1). Hasilini mengindikasikan bahwa model curah hujan tersebut mempunyai potensi yang baikuntuk dipergunakan memprediksi curah hujan ke depan. Selama simulasi kurva dataobservasi berhimpit dengan data hasil simulasi, hal ini menunjukkan bahwa analisisANFIS sangat akurat dalam merekontruksi model curah hujan bulanan maupuntahunan di wilayah Jawa Barat. Model tersebut dipergunakan untuk memprediksicurah hujan bulanan atau tahunan selama 6 tahun ke depan seperti ditunjukkan padaGambar 14 dan 15.Nilai prediksi dari model curah hujan dengan data hasil pengamatanmempunyai perbedaan yang relatif kecil. Curah hujan minimum, rerata, danmaksimum maupun standar deviasi antara data pengamatan dan data prediksiberbeda cukup dekat. Namun demikian, dari nilai statistik tersebut model curah hujantahunan relatif lebih akurat dibanding prediksi model curah hujan bulanan (Tabel 2).Tabel 1. Nilai Statistik Analisis Model ANFIS Curah HujanModel ANFISRMSESimulasiMAPEPrecisi (E)(%)Korelasi(r)Curah Hujan Tahunan 0.1273 0.0014 99.96 0.992*Curah Hujan Bulanan 5.6925 0.7966 92.33 0.985** = SignifikanTabel 2. Nilai Statistik Prediksi Curah Hujan Hasil Model ANFIS.Data PengamatanModelANFIS Minimum Rerata MaksimumStandarDeviasiData PrediksiMinimum Rerata MaksimumStandarDeviasiCH Tahunan 1092.500 1917.496 2303.600 227.2144 1793.300 1968.963 2637.600 272.7534CH Bulanan 59.7985 159.4965 428.4025 70.32561 65.8303 175.0526 301.488 82.54189Ket. : CH : Curah Hujan (mm)11

Pada model curah hujan, untuk nilai DMI yang naik atau turun dari titik nolmengabibatkan curah hujan naik, sebaliknya jika nilai DMI menuju titik nol curahhujan turun (Gambar 16) .Gambar 13. Sistem Input dan Output Model Curah Hujan Tahunan3000Curah Hujan (mm)25002000150010005001958 1964 1970 1976 1982 1988 1994 2000 2006 2012 2018TahunPengamatan Simulasi PrediksiGambar 14. Model Curah Hujan Tahunan12

500Curah Hujan (mm)4003002001000Oct-57 Dec-62 Mar-68 May-73 Aug-78 Oct-83 Jan-89 Mar-94 May-99 Aug-04 Oct-09 Jan-15WaktuPengamatan Simulasi PrediksiGambar 15. Model Curah Hujan Bulanan3500Curah Hujan (mm)30002500200020100SOI-10-20-15-10-50DMI5101520x 10 42.5Curah Hujan (mm)21.510.5420-2SOI-4-6-6-4-2DMI024Gambar 16. Respon Input-Output Model Curah Hujan Tahuan (atas) dan Bulanan (bawah)13

Sementara itu untuk nilai SOI turun cenderung berkaitan denganmeningkatnya curah hujan di wilayah Jawa Barat. Jadi pola SOI berbanding terbalikdengan curah hujan tahunan di wilayah tersebut (Gambar 16). Dari pola hubungantersebut mengindikasikan bahwa curah hujan di wilayah Jawa Barat sangatdipengaruhi oleh fenomena di bagian barat yaitu Dipoele Mode Lautan Hindia danfenomena di bagian timur yaitu ENSO.5. Model Produksi TanamanModel produksi tanaman di wilayah Jawa Barat dapat dibangkitkan denganbaik dari data numerik curah hujan, lama penyinaran, luas lahan dan produktivitastanaman (Gambar 17). Selama simulasi model produksi tanaman pangan mempunyaibias sangat kecil yang ditunjukkan oleh nilai RMSE maupun MAPE yang sangat kecil.Model produksi tanaman tersebut mempunyai presisi (E) yang sangat tinggi (Tabel 3).Hasil ini mengindikasikan bahwa model produksi tanaman pangan tersebutmempunyai potensi yang baik untuk dipergunakan memprediksi produksi pangan kedepan. Selama simulasi kurva data observasi berhimpit dengan dengan data hasilsimulasi, hal ini menunjukkan bahwa analisis ANFIS sangat akurat dalammerekontruksi model produksi tanaman pangan di wilayah Jawa Barat.Nilai prediksi dari model produksi tanaman pangan dengan data hasilpengamatan mempunyai perbedaan yang relatif kecil. Produksi tanaman panganminimum, rerata, dan maksimum maupun standar deviasi antara data pengamatandan data prediksi berbeda cukup dekat (Tabel 4).Tabel 3. Nilai Statistik Analisis Model ANFIS Produksi Tanaman PanganModel ANFISTraining SimulasiPrecisi (E)(%)Korelasi(r)RMSE MAPEPadi 20.0679 0.0622 99.95 0.998*Jagung 8.11121 0.0491 99.93 0.996*Kedelai 0.03797 0.0903 99.99 0.999** = SignifikanTabel 4. Nilai Statistik Prediksi Produksi Tanaman Hasil Model ANFIS.Data Pengamatan (1000 ton)ModelANFIS StandarMinimum Rerata MaksimumDeviasiData Prediksi (1000 ton)Minimum Rerata MaksimumStandarDeviasiPadi 877.688 998.076 1082.086 62.364 941.9 1001.07 1062.1 47.108Jagung 27.391 45.295 68.656 12.824 54.944 61.433 68.656 5.638Kedelai 1.743 5.522 12.555 3.304 1.744 3.027 4.209 0.93714

Model tersebut dipergunakan untuk memprediksi produksi tanaman pangantahunan selama 6 tahun ke depan seperti ditunjukkan pada Gambar 32, 35, 38, 41, 44,47, dan 50Sementara itu respon input-output model produksi tanaman pangan padi,jagung, kedelai, kacang hijau, kacang tanah, ubi kayu, dan ubi jalar masing-masingditunjukkan pada Gambar 33, 36, 39, 42, 45, 48, dan 51.Model numerik produksi ke tujuh tanaman pangan penting tersebut di wilayahJawa Barat sangat bervariasi, namun demikian produksi tanaman jagung cenderungnaik sangat signifikan dan produksi tanaman kekelai sebaliknya cenderung turunsecara signifikan. Sementara itu pola produksi tanaman pangan lainnya tidakmempunyai kecenderungan yang jelas.Model produksi tanaman padi menunjukkan bahwa produksi padi di JawaBarat mengalami perubahan yang sangat variatif. Hal ini tentu berkaitan denganadanya fakta bahwa tanaman padi lebih peka terhadap perubahan pola curah hujan diwilayah tersebut sehingga produksi sangat tergantung pada fkuktuasi curah hujan.Penurunan produksi padi di wilayah Jawa Barat pada tahun 1993, 1997 , dan 2003berkaitan dengan adanya fenomana EL Nino.Gambar 17. Sistem Input dan Output Model Produksi Padi15

1100Produksi Padi (1000 ton)105010009509008501993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015TahunPengamatan Simulasi Prediksi80Produksi Jagung (1000 ton)7060504030201001993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015TahunPengamatan Simulasi Prediksi14Produksi Kedelai (1000 ton)1210864201993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015TahunPengamtan Simulasi PrediksiGambar 18. Model Produksi Tanaman Pangan16

x 10 512Produksi Padi (ton)108643600340032003000280026002400Penyinaran (jam)120014001600180020002200240026002800Hujan (mm)x 10 48Produksi Jagung (ton)6420-23600340032003000280026002400Penyinaran (jam)120014001600180020002200240026002800Hujan (mm)90008000Produksi Kedelai (ton)70006000500040003000200010003600340032003000280026002400Penyinaran (jam)120014001600180020002200240026002800Hujan (mm)Gambar 19. Respon Input-Output Model Produksi Tanaman Pangan17

KESIMPULANPola curah hujan di wilayah Jawa Barat pada 30 tahun terakhir telahmengalami perubahan. Lama musim hujan menjadi relatif lebih pendek dengan curahhujan ekstrim (banjir atau kekeringann) semakin meningkat. Pada periode 1929-1980wilayah Jawa Barat mempunyai rata-rata akumulasi curah hujan JJA, DJF dantahunan masing-masing adalah 341 mm, 1108 mm dan 2930 mm dengan lama musimhujan umumnya antara 6-7 bulanan, sementara pada periode 1975-2005 rata-rataakumulasi curah hujan JJA, DJF dan tahunan masing-masing adalah 288 mm, 1009mm dan 2638 mm dengan lama musim hujan antara 4-6 bulananCurah hujan di wilayah Jawa Barat cenderung mengalami penurunan dariwaktu ke waktu. Lama ketersediaan air lahan menjadi semakin pendek yangberimplikasi terhadap makin pendeknya periode masa tanam untuk tanaman pangan.Awal tanam tanaman pangan lahan kering mengalami perubahan yaitu menjadi mudursekitar 1-2 dasarian dari awal tanam sebelumnya yang biasa dilakukan oleh parapetani, awal musim tanam rata-rata mulai dasarian ke 14.Potensi produksi tanaman padi terdapat di Karawang, Subang, Majalengka,Sumedang, Garut, dan Cianjur sedangkan potensi produksi jagung dan kedelai terdapatdi Sukabumi, Cianjur, Tasikmalaya, dan Garut. Produksi tanaman pangan di wilayahJawa Barat cukup berfluktuatif, namun demikian produksi tanaman jagung dan ubikayu cenderung meningkat sedangkan produksi kedelai, kacang hijau, dan kacangtanah cenderung menurun.Model ANFIS dapat mensimulasi curah hujan di wilayah Jawa Barat dengansangat akurat dan berpotensi untuk dipergunakan sebagai salah satu model alternatifuntuk memprediksi curah hujan. Model ANFIS dapat mensimulasi produksi tanamanpangan di wilayah Jawa Barat dengan sangat akurat dan berpotensi untukdipergunakan sebagai salah satu model alternatif untuk memprediksi produksitanaman pangan seperti padi, jagung, kedelai, kacang hijau, kacang tanah, ubi kayu,dan ubi jalar.DAFTAR PUSTAKAAmin, I. 2003. “Aplikasi Iklim dalam Menunjang Pertanian Berkelanjutan”. ProsedingSeminar dan Lokakarya Aspek Klimatologi dan Lingkungan sertaPemanfaatannya. LAPAN Bandung.Boer, R. 2003. “Penelitian Aplikasi Iklim di Sektor Pertanian Saat ini danMendatang”. Proseding Seminar dan Lokakarya Aspek Klimatologi danLingkungan serta Pemanfaatannya. LAPAN Bandung.18

Braak, C. 1929. “Het Klimaat van Nederlands-Indie”. Verhandelingen, KoninklijkMagnetisch en Meteorologisch Observatorium, Batavia, No. 8, 545 pages.Doorenbos, J. and Pruitt, W.O. 1977. Guideliness for Predicting Crop WaterReuirement. FAO Irrigation and Drainage. Paper No. 24. Rome.Hamada Jun Ichi, MD. Yamanaka, Jun Matsumoto, Shoichiro Fukao, Paulus AgusWinarso, and Tien Sribimawati. 2002. “Spatial and Temporal Variation of theRainy Season over Indonesia and their Link to ENSO”. JMS, Vol. 80, No. 2 pp.285-310.Irianto, G. dan N. Heryani. 2003. “Teknologi Pemanfaatan Iklim untuk MenunjangPertanian Skala Mikro”. Proseding Seminar dan Lokakarya Aspek Klimatologidan Lingkungan serta Pemanfaatannya. LAPAN Bandung.Jang, J.S.R. (1993) : ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEETrans. on Systems, Man and Cybernetics, 23(3), 665-685.Koesmaryono, Y., Rizaldi Boer, Hidayat Pawitan, Yusmin, dan Irsal Las. 1999.“Pendekatan Iptek dalam Mengantisipasi Penyimpangan Iklim”. ProsidingDiskusi Panel Strategi Antisipatif Menghadapi Gejala Alam La-Nina dan El-Nino untuk Pembangunan Pertanian. Bogor, 1 Desember 1998. PERHIMPI,FMIPA -IPB, Puslittanak, dan ICSEA BIOTROP Bogor. Bogor . Hal 43-58.Oldeman, J. R. 1975. “An agro-climatic map of Java”. C. R. J. Agr. Bogor. Contr. Centr.Res. Inst. Agric. Bogor, No.16/1975.Ruminta, Bayong, T.H.K., Liong, T.H., dan Soekarno, I. (2007b) : KecenderunganHidrometeorologi di Daerah Aliran Sungai Citarum, Padjadjaran Journal ofLife and Physical Sciences, 9(1), 23-37.Shapiro, A F. (2002) : From Neural Networks, Fuzzy Logic, and Genetic Algorithms toANFIS and Beyond, A Proposal for the American Risk and InsuranceAssociation 2002 Annual Meeting, University Park, USA.Syahbuddin, H., Manabu D. Yamanaka, and Eleonora Runtunuwu. 2004. “Impact ofClimate Change to Dry Land Water Budget in Indonesia: Observation during1980-2002 and Simulation for 2010-2039”. Graduate School of Science andTechnology. Kobe University. Publication in process.Zhu, Y. (2000) : ANFIS : Adaptive Neuro Fuzzy Inference System, EE Dept., Univ. ofMissouri, Rolla.19