1
BAB I Pendahuluan
I.1 Latar Belakang
Perubahan iklim global akan dirasakan secara berbeda diseluruh wilayah tergantung pada dampak lokal dan kekuatan di dalam masyarakatnya (Kirono dkk. 2012). Provinsi Nusa Tenggara Barat (NTB) merupakan salah satu wilayah Indonesia bagian Timur yang sangat rentan terhadap perubahan iklim (Butler dkk. 2009; GTZ. 2010). Beberapa indikasi terjadinya perubahan iklim seperti, musim hujan yang berlangsung lebih pendek, meningkatnya frekuensi cuaca ekstrim, membuat tanaman padi sebagai sumber pangan bagi penduduk Nusa Tenggara Barat yang berjumah 4,4 juta menjadi beresiko (Butler dkk. 2009).
Meningkatnya temperatur rata-rata permukaan bumi secara global dalam lima puluh tahun terakhir diklaim memberi dampak negatif terhadap sumber air dan pertanian di Asia dan di beberapa negara berkembang (IPCC, 2007). Case dkk. (2009) menyatakan bahwa menurunya produksi padi di Asia, lebih banyak disebabkan oleh temperatur yang tinggi dan kekeringan panjang yang mengakibatkan semakin berkurangnya sumber air bagi pertaninan. Peng dkk. (2004) melaporkan bahwa setiap kenaikan 1°C pada suhu minimum selama masa pertumbuhan akan menurunkan hasil panen padi sekitar (10%).
Berdasarkan skenario perubahan iklim, diprediksi bahwa pada akhir abad dua puluh satu, produksi padi di Asia akan menurun disebabkan oleh meningkatnya karbondioksida (CO2) yang mempengaruhi kesuburan tanah dan terbatasnya
2
Indikasi perubahan iklim di pulau Lombok dalam kurun (1961-2008) oleh GTZ, (2010) dinyatakan bahwa ada kecenderungan penurunan curah hujan dan perubahan tipe iklim, dari tipe (C) agak basah, (D) sedang, dan (E) agak kering, bergeser menjadi tipe (D) sedang dan (E) agak kering. Penurunan produksi padi di NTB selama 20 tahun terakhir lebih banyak disebabkan pengaruh nyata anomali iklim seperti El Nino 1982 dan 1997 yang mengakibatkan kekeringan sehingga luas tanam, luas panen dan hasil panen turun (Boer dan Las 2003). Kajian perubahan iklim di NTB baru dikaji wilayah Pulau Lombok saja oleh GTZ (2010). Sejauh ini belum adanya kajian perubahan iklim untuk keseluruhan wilayah NTB sehingga kajian perubahan iklim di wilayah ini menjadi penting untuk dikerjakan.
Dalam pelaksanaan penelitian ini, metode dynamical downscaling digunakan untuk penurunan skala grid (stretched grid resolution) menggunakan downscaling Conformal Cubic Atmospheric Model (CCAM) untuk menterjemahkan proyeksi perubahan iklim dari model iklim global (GCM) resolusi 150-300 km, menjadi skala regional dengan resolusi 14 km. Hasil downscaling berisi data iklim untuk mensimulasikan kondisi sekarang (present) periode (1971-2000) sebagai informasi baseline dan proyeksi iklim masa depan periode (2040-2069) serta periode (2070-2099), yang kemudian digunakan sebagai inputan untuk menghitung kesesuaian agroklimat tanaman padi dan model produktivitas tanaman padi berdasarkan standar Food Agricultural Organization (FAO).
Dalam penelitian ini akan dianalisis sejauh mana perubahan curah hujan dan temperatur di NTB dimasa yang akan datang, berdasarkan pada skenario (Spesial Report on Emission Scenarios) SRES A2 IPCC (IPCC, 2007). Kemudian akan dianalisis juga dampak dari perubahan iklim dimasa depan terhadap kesesuaian agroklimat tanaman padi serta tingkat produktivitasnya pada jangka menengah (near future) (2040-2069) dan jangka panjang (future) (2070-2099).
3
I.2 Perumusan Masalah
Nusa Tenggara Barat merupakan salah satu sentra produksi padi nasional, namun termasuk wilayah yang sangat rentan terhadap perubahan iklim, seperti perubahan curah hujan dan kenaikan temperatur serta beberapa dampak serius seperti banjir dan kekeringan (Butller dkk. 2009). Boer dan Las (2003) menyatakan bahwa selain faktor lahan dan jenis tanaman, produktivitas padi sangat dipengaruhi oleh variasi iklim setempat. Penelitian ini akan mengkaji tentang perubahan curah hujan dan temperatur di NTB serta dampaknya terhadap tingkat kesesuaian agroklimat tanaman padi dan produktivitasnya di masa yang akan datang.
I.3 Hipotesis
Perubahan curah hujan dan temperatur akan berpengaruh signifikan terhadap pertanian khususnya kesesuaian agroklimat tanaman padi dan tingkat produktivitasnya di provinsi Nusa Tenggara Barat dimasa yang akan datang.
I.4 Tujuan Penelitian
Tujuan dari penelitian dampak perubahan iklim terhadap kesesuaian agroklimat dan produktivitas tanaman padi di provinsi Nusa Tenggara Barat adalah :
(a) Diperolehnya proyeksi iklim (curah hujan dan temperatur) di Nusa Tenggara Barat pada periode (2040-2069) dan (2070-2099)
(b) Didapatkanya peta perubahan kesesuaian agroklimat untuk tanaman padi dimasa yang akan datang pada periode (2040-2069) dan (2070-2099)
(c) Diketahui tingkat produktivitas padi pada periode (2040-2069) dan (2070-2099).
I.5 Manfaat Penelitian
Adapun manfaat penelitian yang akan diperoleh dari hasil kajian tersebut diantaranya adalah sebagai berikut :
(a) Pemerintah daerah Nusa Tenggara Barat bisa membuat perencanaan pertanian masing-masing daerah di masa depan;
4
I.6 Ruang Lingkup
Berdasarkan tujuan penelitian yang disebutkan diatas, proyeksi perubahan iklim yang dikaji hanya curah hujan dan temperatur, yang merupakan faktor iklim yang sangat mempengaruhi pertumbuhan dan perkembangan tanaman. Proyeksi iklim yang digunakan berdasarkan data downscalingCCAM dari beberapa model global dengan skenario SRES A2 IPCC. Batas ruang kajian adalah wilayah Nusa Tenggara Barat, dengan koordinat 115°46’-119°5’ BT dan 8°10’-9°5’ LS. Analisis dampak perubahan iklim hanya pada tingkat kesesuaian agroklimat dan produktivitas tanaman padi dengan asumsi tipe tanah dan sistem pertanian dimasa depan tidak berubah.
I.6 Sistematika Penulisan Tesis
Sistematika penulisan tesis ini disusun sebagai berikut :
Bab I Pendahuluan, mencakup latar belakang, perumusan masalah, hipotesis, tujuan penelitian, manfaat penelitian dan ruang lingkup penelitian.
Bab II Tinjauan Pustaka meliputi perubahan iklim, CCAM downscaling, kesesuaian agroklimat padi dan produktivitas padi di NTB.
Bab III Data dan Metodologi, mencakup data-data yang digunakan dan metodologi pengolahan data untuk mencapai tujuan penelitian.
Bab IV Hasil dan Pembahasan, menampilkan hasil pengolahan data dan analisis untuk menjawab permasalahan dalam penelitian ini.
5
BAB II Tinjauan Pustaka
II.1 Perubahan Iklim Global
The Intergovernmental Panel on Climate Change (IPCC, 2007) dalam laporanya menyimpulkan bahwa akibat efek rumah kaca di atmosfer mengakibatkan pemanasan global, temperatur rata-rata permukaan bumi mengalami peningkatan 0,7 °Celcius sejak 1900 dan terus meningkat dalam kurun waktu lima puluh tahun terakhir. Hal tersebut diilustrasikan pada Gambar II.1
Gambar II.1: Trend temperatur rata-rata global, sumber : IPCC (2007)
Perubahan iklim menurut IPCC (2001) adalah a change in the state of the climate that can be identified (eg, using statistical test by change in the mean and/or the
variability) or as a result of human activity. Perubahan iklim diindikasikan dengan berubahnya variabel iklim, khususnya temperatur dan curah hujan yang terjadi secara berangsur angsur dalam jangka waktu yang panjang antara multidecadal sampai 100 tahun (KLH 2004 dalam GTZ 2010).
6
Adapun untuk skema SRES diilustrasikan pada Gambar II.2
Gambar II.2 Diagram SRES,WG.1 AR4.IPCC, sumber : (IPCC, 2007)
Berdasarkan skema SRES dinyatakan bahwa skenario iklim masa depan dibentuk dari empat story line yaitu (A1, A2, B1 dan B2). Kemudian skenario famili (A1), dikembangkan menjadi (A1F1), (A1T) dan (A1B). Penjelasan selanjutnya untuk masing-masing skenario terdapat pada lampiran 1.
Skenario A2 merupakan skenario yang lebih tinggi dari SRESemissions scenarios
lainya, meskipun bukan yang paling tinggi, skenario lebih tinggi dipilih karena, alasan analisis dampak dan adaptasi, jika bisa beradaptasi terhadap skenario iklim yang lebih tinggi maka untuk skenario yang lebih rendah bisa juga beradaptasi
(www.narccap.ucar.edu). Kondisi level emisi masa kini pada skenario A2
7
II.2 Conformal Cubic Atmospheric Model (CCAM) Downscaling
Dalam analisis berbagai dampak dari suatu skenario model iklim global pada suatu wilayah, diperlukan model iklim regional resolusi tinggi yang bisa merepresentasikan topografi, distribusi daratan, lautan dan tata guna lahan (Katzfey dkk. 2010). Metode penurunan skala dari model iklim global (GCM) resolusi rendah atau kasar menjadi model iklim dengan resolusi grid yang lebih tinggi disebut downscaling. Sejauh ini baru dikenal dua metode downscaling yaitu
dynamical downscaling dan statistical downscaling. Dynamical downscaling
adalah suatu metode penurunan skala yang didasarkan pada penggunaan model matematis yang konsisten dengan gambaran fisis sistem iklim, kekurangan metode ini biasanya menghasilkan nilai estimasi dengan bias yang besar antara data model dan data observasi, serta membutuhkan teknik komputasi yang tinggi.
Ada beberapa tahap yang dilakukan dalam melakukan dynamical downscaling. Langkah pertama adalah menghilangkan bias dari Sea Surface Temperature (SST) dari simulasi model iklim global sebagai hostnya. Hal ini dikarenakan semua model iklim global mempunyai bias SST karena resolusi dari GCM sendiri yang masih kasar dan beberapa proses fisis dan dinamis yang belum terselesaikan dalam model ini (Katzfey dkk. 2010). Untuk koreksi bias, nilai bulanan simulasi
SST dari GCM dibandingkan dengan nilai bulanan dari National Oceanic and Amospheric Administration (NOAA) dengan cara analisis interpolasi optimal untuk periode yang sama (Reynold, 1988 dalam McGregor dkk. 2010).
Comonwealth Science Industrial Reasearch Organization (CSIRO) Australia telah mengembangkan salah satu model iklim regional CCAM dengan metode
dynamical downscaling selama dua dekade terakhir. McGregor dan Dix (2005) menyatakan bahwa Conformal Cubic Atmospheric Model (CCAM) merupakan model numerik atmosfir berdasarkan pada conformal cubic grid, dimana dalam perhitungan model CCAM menggunakan conformal cubic grid dan transformasi
Shmidt untuk streching pada skala regional serta teknik multinesting untuk
8
CCAM menggunakan conformal cubic grid dimana setiap panel memiliki 48x48 titik grid untuk format C48 grid, 6 sisi kubus dan 18 level vertikal sigma, sehingga jumlah titik grid-nya 248.832 (Thatcher dkk. 2010). Kelebihan lain dari
CCAM adalah mempunyai kemampuan dalam menyediakan fleksibilitas tinggi untuk hasil dynamical downscaling dari data GCM dengan menggunakan data suhu permukaan laut dan beberapa nudging dari host model (Katzfey dkk. 2010).
DownscalingCCAM sudah dilakukan untuk wilayah Indonesia dan negara- negara pasifik dengan resolusi 60 km oleh Katzfey dkk. (2010); McGregor dan Dix (2005); Kirono dkk. (2012) dan khusus wilayah Nusa Tenggara Barat bersama tim
CSIRO dan BMKG dalam project research CSIRO-UNRAM NTB, downscaling
dilakukan hingga resolusi 14 km. Gambaran alur downscaling dari resolusi 200 km, menjadi 60 km wilayah Indonesia, kemudian diturunkan menjadi resolusi 14 km, khusus wilayah NTB (Katzfey dkk. 2010) diilustrasikan pada Gambar II.3
Gambar II.3: Downscaling CCAM (a) the quasi-uniform CCAM 200 km; (b) the
stretched grid, 60 km; dan (c) stretched grid 14 km (Katzfey dkk. 2010)
Dengan menggunakan teknik streched grid secara visual terlihat bahwa hasil
downscaling menghasilkan resolusi grid yang berbeda, resolusi yang tinggi berada di daerah domain yang dikaji, kemudian wilayah diluar dari daerah penelitian jarak grid-nya semakin melebar.
9
II.3 Kesesuaian Agroklimat
Dalam penentuan tingkat kesesuaian agroklimat tanaman, selain tipe tanah faktor iklim merupakan parameter yang paling diperhitungkan terutama curah hujan dan temperatur, karena kesesuaian agroklimat menggambarkan kondisi iklim optimum yang dibutuhkan oleh tanaman untuk tumbuh dan berkembang dengan baik di suatu lahan pertanian. Oldeman dkk. (1980) dengan konsep iklim pertaniannya menyatakan bahwa padi sawah membutuhkan air rata-rata 145 mm/bulan, sedangkan palawija membutuhkan air rata-rata 50 mm/bulan, kemudian hujan bulanan yang diharapkan mempunyai peluang kejadian 75% atau sama dengan 0,82 kali hujan rata-rata bulanan dikurangi 30. Berdasarkan konsep tersebut, dapat dihitung hujan bulanan yang diperlukan untuk padi sawah maupun palawija (misal X) dengan menggunakan data yang panjang, yaitu :
(a) Padi sawah : 145 = 1,00 (0,82 X - 30) Bulan kering (BK) : bulan dengan rata-rata curah hujan < 100 mm.
Klasifikasi iklim Oldeman dikelompokan menjadi 5 tipe utama yang didasarkan pada jumlah bulan basah berturut-turut, sedangkan 4 subdivisinya dikelompokan didasarkan pada jumlah bulan kering berturut-turut.
10
Kesesuaian agroklimat menurut Food Agricultural Organization (FAO), adalah tingkat kecocokan suatu bidang lahan untuk suatu penggunaan tanaman tertentu. Ada tiga faktor yang mempengaruhi kesesuaian agroklimat suatu lahan yaitu: parameter iklim, jenis tanaman dan lahan itu sendiri. Berdasarkan standar FAO
kesesuaian agroklimat digolongkan kedalam empat kelas, antara lain : (S1) sangat sesuai, (S2) cukup sesuai, (S3) sesuai marginal dan (N) tidak sesuai, Ritung dkk. (2007). Penjelasan dari definisi pembagian kelas diuraikan pada Tabel II.1
Tabel II.1 Klasifikasi kesesuaian agroklimat standar FAO
No Kelas Penjelasan
1 S1 Sangat Sesuai (Highly Suitable) merupakan lahan yang tidak mempunyai pembatas yang berat untuk penggunaan secara lestari atau meskipun mempunyai pembatas tapi tidak berarti dan tidak berpengaruh nyata terhadap produksi.
2 S2 Cukup Sesuai (Moderately Suitable) merupakan lahan yang mempunyai pembatas agak berat untuk mempertahankan tingkat pengelolaan yang harus dilakukan. Pembatas akan mengurangi produktivitas.
3 S3 Sesuai Marginal (Marginal Suitable) merupakan lahan yang mempunyai pembatas yang sangat berat untuk mempertahankan tingkat pengelolaan yang harus dilakukan. Pembatas akan mengurangi produktivitas dan keuntungan.
4 N Tidak Sesuai (Not Suitable) merupakan lahan yang mempunyai pembatas yang sangat berat, sehingga tidak mungkin digunakan bagi suatu penggunaan yang lestari.
Sumber : Ritung dkk. (2007)
Berdasarkan hasil kajian Balai Pengkajian Teknologi Pertanian (2006) dalam Suriadi dkk. (2012) dari (1.911.294 ha) total luas lahan pertanian di provinsi Nusa Tenggara Barat, secara umum kesesuaian agroklimat untuk tanaman padi hanya (3,05) % masuk klasifikasi (S1) sesuai, (23,47) % klasifikasi sesuai marginal
11
II.4 Dampak Perubahan Iklim Terhadap Produktivitas Padi
Pemanasan global diprakirakan akan berkisar (1,5–4,5) °C, jika CO2 meningkat dua kali
lipat dimasa depan, pemanasan terbesar akan terjadi didaerah kutub sedangkan di equator
lebih rendah (IPCC, 2007). Dampak perubahan iklim pada sektor pertanian akan berpengaruh terhadap penurunan produktivitas tanaman, areal yang dapat diirigasi, efektivitas penyerapan hara serta penyebaran hama dan penyakit (Sumarno dkk. 2008). Meningkatnya frekuensi dan intensitas anomali iklim selama 20 tahun terakhir, berpengaruh nyata terhadap penurunan luas tanam dan hasil panen (Boer dan Las 2003; New dkk. 2012).
Hasil kajian FAO dalam New dkk. (2012) menunjukkan bahwa dampak variabilitas dan perubahan iklim dapat menurunkan produktivitas tanaman pangan di kawasan Asia Tenggara sekitar 2,5% sampai 7,8%. Sedangkan menurut Koesmaryono dkk. (2008) variabilitas dan perubahan iklim dengan segala dampaknya berpotensi menyebabkan kehilangan produksi tanaman pangan utama sebesar 20,6% untuk padi, 13,6% untuk jagung dan 12,4% untuk kedelai. Sementara itu dampak dari kenaikan temperatur menurut Darwin dkk. (2001) dalam penelitianya menjelaskan bahwa seiring dengan kenaikan rata-rata temperatur global maka akan terjadi penurunan produksi pertanian dan produksi bahan pangan lainya di wilayah Asia Tenggara sebesar (0,8–4,8) %.
Untuk mengetahui interaksi antara unsur iklim, lahan dan tanaman pada sistem pertanian diperlukan suatu model sistem manajemen pertanian. Peranan model simulasi tanaman digunakan untuk merumuskan suatu sistem pertanian dengan mempertimbangkan aspek iklim yang sering disebut sebagai tactical management,
12
Model APSIM mampu menyederhanakan interaksi lahan, iklim dan tanaman terhadap pertumbuhan dan perkembangan suatu tanaman, kisaran waktu untuk panen dalam kisaran data panjang, sehingga diketahui pengaruh variabilitas iklim terhadap produksi tanaman (Robertson dkk. 2002). Kelemahan model APSIM
tidak merumuskan pengaruh dari hama dan penyakit, kemudian subyektivitas dalam merancang suatu rancangan percobaan yaitu ulangan tidak bisa terdeskripsikan secara jelas. Kelebihan model APSIM mampu mensimulasikan suatu proses pertumbuhan dan perkembangan tanaman secara kontinyu antara satu musim tanam pertama dengan musim tanam berikutnya secara multiyear sehingga bisa diketahui faktor apa yang berpengaruh signifikan terhadap produktivitas tanaman tersebut.
Robertson dkk. (2002) menjelaskan bahwa tujuan model APSIM menyajikan dampak jangka pendek dan jangka panjang dari suatu sistem pertanian pada suatu pertanaman yang sangat dipengaruhi oleh variasi musim. Hasil output APSIM
berupa produktivitas yang disajikan dalam bentuk jumlah biomasa, waktu panen dan total produksi yang mampu dihasilkan oleh suatu tanaman dengan kondisi iklim, lahan dan jenis tanaman yang sudah ditentukan sebagai inputan model.
13
BAB III Data Dan Metodologi
III.1 Data
Beberapa data yang digunakan dalam penelitian ini sebagai berikut :
(1) Data GCM (Global Climate Model), dipilih beberapa keluaran model yang dianggap cukup baik berdasarkan hasil kajian literatur mengenai pengujian kinerja GCM di daerah tropis (Katzfey dkk. 2010). Model iklim global yang direkomendasikan adalah yang digunakan dalam skenario IPCC 2007, keenam data model iklim global tersebut sudah di downscaling
bersama tim CSIRO dan BMKG, sehingga data yang digunakan pada penelitian ini menjadi data model iklim regional dengan resolusi 14 km, seperti terlihat pada Tabel berikut :
Tabel III.1 Daftar 6 model iklim global hasil downscaling
GCM Negara Resolusi
(km)
CCAM downscaling
(km)
CSIRO MK3.5 Australia 200 14
GFDL CM2.0 USA 300 14
GFDL CM2.1 USA 300 14
ECHAM5_MPI Jerman 200 14
MIROC3.2 Jepang 300 14
HadCM3 Inggris UK 300 14
Sumber : (CSIRO, 2010)
(2) Data lahan, lereng dan kemiringan lahan, sumber : BPTP NTB;
(3) Data temperatur 4 stasiun BMKG : Mataram, Kediri, Sumbawa dan Bima;
(4) Data produksi padi, sumber Dinas Pertanian provinsi NTB;
(5) Data curah hujan observasi (1971-2000) dari 56 pos hujan di NTB;
14
Dengan sebaran posisi pos hujan di seluruh wilayah provinsi NTB, bisa dilihat pada peta di Gambar III.1 :
Gambar III.1 Peta sebaran pos hujan di provinsi NTB
III.2 Metodologi
Untuk mencapai tujuan penelitian dilakukan beberapa tahapan dalam analisis data, adapun langkah pengolahan data sebagai berikut :
(1) Data hasil downscaling CCAM 14 km dari 6 model iklim global SRES A2
IPCC sudah dilakukan bersama tim CSIRO;
(2) Validasi terhadap 6 model hasil downscaling CCAM untuk memilih data terbaik yang ditentukan dengan kriteria mencari nilai korelasi (r) dan Root Means Square Error (RMSE) antara data observasi dan data model
baseline (1971-2000); Rejekiningrum (2008); Gunawan dan Ratag (2008); Estiningtyas dan Wigena (2011); Ratri (2012).
15
Adapun formulasi dari RMSE, bisa dilihat pada persamaan berikut :
2
Sementara itu untuk menghitung korelasi digunakan persamaan berikut :
1
Sebelum digunakan sebagai masukan data dalam menghitung tingkat kesesuaian agroklimat tanaman padi, terlebih dahulu dilakukan koreksi terhadap data model
CCAM (curah hujan dan temperatur) dengan metode sederhana berdasarkan
statistic corrected method (Smith, 2009 dalam Kirono dkk. 2011). Hasil koreksi periode baseline selanjutnya digunakan untuk koreksi data proyeksi periode berikutnya. Untuk menghitung nilai koreksi proyeksi temperatur, digunakan persamaan berikut : deviasi dari data model dan observasi.
Sementara itu untuk koreksi data proyeksi curah hujan digunakan persamaan berikut :
16
Data CCAM periode (1971-2000) hasil koreksi, data ketinggian, jenis tanah, kemiringan dan sistem drainase digunakan untuk menghitung kesesuaian agroklimat tanaman padi untuk periode baseline, sedangkan data proyeksi yang sudah dikoreksi dan data non iklim lainya dari BPTP NTB, digunakan untuk menghitung klasifiklasi kesesuaian agroklimat dimasa depan. Demikian pula untuk menghitung produktivitas padi, data tersebut digunakan sebagai masukan model pertanian APSIM.
Untuk informasi spasial dilakukan pemetaan dengan bantuan perangkat lunak (Geographic Information System) GIS dan (Grid Analysis and Display System) GRADS secara perbandingan visual akan terlihat perubahan curah hujan dan temperatur, kesesuaian lahan pada jangka menengah (near future) periode (2040-2069) dan jangka panjang (future) periode (2070-2099) dibandingkan data
baseline periode (1971-2000) yang mewakili kondisi terkini (present).
III.3 Metode Evaluasi Kesesuaian Agroklimat
Dalam membuat evaluasi tingkat kesesuaian agroklimat diperhitungkan tiga faktor utama yaitu tanah, topografi dan iklim. Data curah hujan, temperatur, jenis tanah, ketinggian, kemiringan dan drainase digunakan sebagai inputan dalam analisis tingkat kesesuaian agroklimat dengan metode Simple Limitation Approach (SLA).
SLA menggambarkan tingkat kesesuaian agroklimat tanaman padi kedalam 4 kelas (FAO, 2004). Konsep yang digunakan adalah hukum minimum Liebig yang menyatakan bahwa jika salah satu faktor utama tidak sesuai, hal ini akan mengakibatkan pertumbuhan tanaman terhambat meskipun faktor lainya terpenuhi sehingga tingkat kesesuaian menjadi turun (Paris, 1992).
17
Sebagai ilustrasi gambaran proses overlay dari masing-masing parameter terlihat pada Gambar III.2
Gambar. III.2. Flowchart overlay kesesuaian agroklimat (Ratri, 2012; Ritung dkk. 2007)
III.4 Menghitung Produktivitas Padi
Untuk menghitung produktivitas padi pada model APSIM diperlukan inputan beberapa parameter yang meliputi: tipe tanah, data iklim harian (curah hujan, temperatur, radiasi matahari) data jenis tanaman, manajemen pupuk dan air. Kemudian diset periode simulasi untuk waktu awal tanam, waktu pemupukan dan pilih tanaman yang akan disimulasikan. Adapun hasil keluaran model APSIM
adalah ketersediaan air, kandungan nitrogen, luasan daun, waktu pembungaan dan waktu panen, produksi biomasa dan hasil panen (crops yield) dalam kg/ha. Hasil panen dua kali musim tanam dimana MT 1 sekitar November-Desember dan MT 2 sekitar Maret-April, akan dihitung sebagai tingkat produktivitas tahunan dari tanaman itu sendiri.
Adapun tampilan model APSIM bisa dilihat pada Gambar III.3
18
Gambar III.3.b Parameter input dan frame work model APSIM, Sumber : Keating dkk. (2003)
Berdasarkan ilustrasi Gambar III.3.b. APSIM digambarkan sebagai kerangka simulasi genetika, yang diaplikasikan pada situasi dimana data biosfisik tanah, jenis tanaman dan manajemen pertanian tersedia (Keating dkk. 2003). Pada model ini diperhitungkan masa tanam, perkembangan tanaman, proses dalam tanah termasuk ketersediaan air, tranformasi nilai nitrogen dan posfor, PH tanah, tingkat erosi dan manajemen kontrol (Keating dkk. 2003). Secara matematis perubahan pertumbuhan tanaman ditunjukan sebagai fungsi persamaan berikut :
int min( T, N, vpd) w
G R x x F F F xF
……….(III.5)
Pertumbuhan dihitung sebagai G, dimana,
G : pertumbuhan harian, Rint : radiasi matahari harian (MJ/m2 ),
ε : cahaya efisien yang diterima daun (g/MJ), FT : dinamika temperatur,
FN : keseimbangan nitrogen, Fvpd : dinamika tekanan defisit air,
dan Fw : curah hujan sebagai suplai air tanah.
Secara sederhana perkembangan pertumbuhan tanaman diilustrasikan mulai dari awal mulai tanam, kemudian proses transpirasi dihitung mulai dari suplai air minimum dari curah hujan harian bagi tanah dan akar, sedangkan kebutuhan energi radiasi matahari untuk produksi biomasa. Perhitungan perkembangan tanaman dari kondisi temperatur dan radiasi matahari harian, untuk menghitung perkembangan pertumbuhan tanaman, luasan daun potensial untuk fotosintesis, setelah itu dihitung akumulasi biomasa, pembungaan, kebutuhan nitrogen, waktu panen, produksi optimum dan hingga tanaman mati (Robertson dkk. 2002).
19
III.6 Alur Kerja Kegiatan Penelitian
20
IV Hasil Dan Pembahasan
IV.1 Posisi Geografis Provinsi NTB
Nusa Tenggara Barat (NTB) terdiri dari 2 pulau besar yaitu Pulau Lombok dan Pulau Sumbawa. Pulau Lombok relatif lebih datar dibanding Pulau Sumbawa, meskipun di bagian Utara mempunyai Gunung Rinjani dengan ketinggian mencapai 3752 meter (www.ntb.go.id), pada bagian selatan terdiri dari bukit-bukit kecil. Pulau Sumbawa lebih bergunung-gunung, seperti Gunung Bersanak, Batu Lanteh, Dodo dan Gunung Tambora.
Pola hujan di Indonesia khususnya Nusa Tenggara Barat (NTB) sangat dipengaruhi oleh posisi geografis dan pengaruh monsun (Qian dkk. 2010) artinya wilayah ini sangat dipengaruhi oleh angin Timuran dan Baratan. Ketika angin Baratan banyak membawa masa udara dari kawasan Asia dan Pasifik sedangkan ketika angin Timuran datang dari benua Australia, angin dingin dari Selatan memiliki masa udara relatif lebih kering sehingga angin Timuran identik dengan musim kemarau di sebagian besar wilayah Indonesia khususnya Nusa Tenggara Barat (Qian dkk. 2010; Aldrian dkk. 2007; Haylock dan McBride 2001).
21
IV.2 Pola Hujan Di Provinsi Nusa Tenggara Barat
Variasi hujan disuatu wilayah sangat dipengaruhi oleh aliran udara orografik dan pergerakan vertikal masa udara karena ketidakstabilan di atmosfir (Qian dkk. 2010). Umumnya curah hujan di NTB berdasarkan rata-rata curah hujan dari 56 pos hujan periode (1971-2000), termasuk tipe monsun, dengan rata-rata curah hujan tahunan bervariasi berkisar (1000-2000) mm/tahun (BMKG, 2008). Curah hujan tertinggi terjadi di Pulau Lombok sekitar (1200-1700) mm/tahun, sementara itu di Pulau Sumbawa curah hujan semakin berkurang dengan rata-rata (1000-1400) mm/tahun. Hal ini seperti yang diilustrasikan pada Gambar IV.1
Gambar IV.1 Grafik rata-rata curah hujan tahunan di NTB (1971-2000)
Berdasarkan grafik pola hujan di NTB termasuk tipe monsun, dengan satu puncak musim hujan dan mempunyai batas yang jelas antara musim hujan dan musim kemarau. Secara klimatologi curah hujan maksimum pada musim hujan di NTB terjadi antara bulan Desember-Februari (DJF) dan minimum curah hujan pada musim kemarau terjadi antara bulan Juni-Agustus (JJA). Musim kemarau di wilayah NTB lebih banyak dipengaruhi oleh angin Timuran yang berasal dari daratan Australia yang bergerak menuju benua Asia. Aldrian, (2003) menyatakan bahwa masa udara kering dari Australia mulai bertiup menuju Indonesia sekitar bulan Mei, akibatnya Inter Tropical Convergence Zone (ITCZ) melemah, kondisi ini menyebabkan pertemuan masa udara di sekitar ekuator berkurang sehingga menjadi indikasi awal musim kemarau di sebagian besar wilayah Indonesia.
22
Pada bulan November pengaruh monsun Australia mulai melemah, sementara itu massa udara basah dari monsun Asia mulai menguat (Aldrian, 2003). ITCZ
bergerak mendekati Equator memegang peranan penting pada musim hujan di Indonesia, hal ini terjadi pada saat Belahan Bumi Selatan (Australia) mengalami musim panas sekitar Desember sampai dengan Februari (Coll dan Whitaker 1990). Musim hujan di Indonesia juga sebagai pengaruh dari angin lembab dari samudera Indonesia, menghasilkan jumlah yang signifikan untuk terjadinya hujan di sebagian besar wilayah Indonesia, namun demikian osilasi musiman dari angin dan hujan dipengaruhi topografi lokal. Angin lokal bisa memodifikasi hujan di tiap wilayah sehingga terjadi variasi hujan secara lokal, seperti halnya juga demikian, provinsi NTB mempunyai variasi hujan lokal yang sangat beragam.
Variasi musim di NTB sebagai daerah yang berada di selatan equator juga sangat dipengaruhi oleh fenomena ENSO dan Dipole Mode. ENSO merupakan interaksi antara laut dan atmosfer di atas samudera Pasifik Tropis Tengah yang mempengaruhi iklim di seluruh dunia. Siklus ENSO lebih banyak dipengaruhi oleh variasi suhu muka laut di wilayah Pasifik Tengah (Coll dan Whitaker 1990). Menurut Rauniyar dan Walsh (2011) di Indonesia dampak ENSO sangat bervariasi tergantung pada posisi geografis, besarnya pulau, dan topografi lokal.
Dampak dari fenomena El Nino terhadap musim di NTB umumnya terjadi penurunan curah hujan dengan kisaran (50-100) mm dari normal curah hujan bulanan. Kirono dkk. (1999) mengidentifikasi awal musim kemarau akan datang lebih awal dan awal musim hujan terjadi sebaliknya sebagai dampak dari El Nino
23
IV.3 Validasi Model Iklim CCAM
Untuk memvalidasi data suatu model bisa dilakukan dengan melakukan uji statistik. Root Mean Square Error (RMSE) dan korelasi (r) dari rata rata jangka panjang antara model iklim regional dan data observasi digunakan untuk mengevaluasi perfoma model. Metode statistik ini digunakan untuk memilih model iklim yang mempunyai korelasi tinggi (r > 0,5) dan nilai RMSE yang kecil. Berdasarkan uji statistik curah hujan tahunan terhadap 6 model iklim hasil
downscaling CCAM untuk periode (1971-2000), didapatkan hasil seperti terlihat pada Tabel IV.1.
Tabel IV.1 Hasil uji statistik, data downscaling CCAM
No Model RMSE Korelasi
1 ECHAM.5MPI 136,4 0,59
2 GFDL 2.1 143,5 0,57
3 GFDL 2.0 144,57 0,52
4 HADCM 146,3 0,57
5 MIROC 3 148,3 0,58
6 MK 3.5 141,0 0,6
Nilai RMSE terkecil adalah model ECHAM.5MPI sekitar 136,4 dengan nilai korelasi (r = 0,59) dan yang terbaik kedua adalah model iklim MK 3.5 dengan nilai RMSE = 141 dan nilai korelasi (r = 0,6). Berdasarkan hasil uji statistik diatas dipilih 2 model iklim yaitu ECHAM.5 MPI dan MK 3.5. Kemudian uji statistik terhadap data model iklim dipilih 4 stasiun yang mewakili provinsi NTB, keempat stasiun ini dipilih selain dari segi keterwakilan geografis juga berdasarkan kelengkapan data. Sementara itu untuk koreksi data model terhadap data observasi curah hujan digunakan metode yang sudah dijelaskan pada bab sebelumnya.
24
Keterangan :
Gambar IV.2 Grafik perbandingan pola hujan, data model dan observasi (1971-2000)
Berdasarkan grafik diatas, hasil ploting dari beberapa model terhadap curah hujan secara umum memiliki pola yang sama dengan pola hujan observasi, meskipun ada beberapa model yang nilainya diatas nilai observasi, sehingga perlu dilakukan koreksi data baik untuk data curah maupun data temperatur. Kelebihan nilai hasil simulasi model (over estimate) disebabkan ketidak akurasian dari gradient sigma
permukaan, hal ini sering terjadi di daerah topografi tinggi (McGregor dan Dix 2005). Data CCAM (1971-2000) hasil koreksi digunakan untuk koreksi bias pada proyeksi curah hujan periode berikutnya, ilustrasi koreksi data model terhadap data observasi ditunjukkan pada Gambar IV.3 berikut.
Gambar IV.3 Perbandingan curah hujan bulanan di NTB (1971-2000) data model (garis biru), observasi (garis hijau) dan hasil koreksi (garis merah)
25
IV.4 Analisis Curah Hujan Di NTB
Analisis curah hujan dilakukan dengan menggunakan hasil simulasi kedua model yaitu ECHAM5.MPI dan MK 3.5, dengan tahapan analisis dibagi kedalam tiga periode waktu yaitu periode (1971-2000) sebagai (baseline), kemudian untuk analisis jangka menengah (near future) periode (2040-2069) dan jangka panjang
(future) periode (2070-2099), untuk analisis masing-masing periode dibahas pada sub bab berikutnya.
IV.4.1 Simulasi Curah Hujan Di NTB Periode (1971-2000)
Secara spasial, simulasi curah hujan tahunan untuk periode (1971-2000) sebagai
baseline atau mewakili kondisi sekarang (present). Kedua model baik
ECHAM5.MPI dan MK 3.5, secara visual menghasilkan pola sebaran curah hujan yang relatif sama untuk daerah NTB, ini menunjukkan tingkat kecocokan (agreement) yang baik antara hasil kedua model pada periode baseline, hal ini memberi sinyal yang baik untuk analisis proyeksi iklim kedepan. Hasil simulasi curah hujan pada periode baseline terlihat pada Gambar IV.4 berikut.
Gambar IV.4 Curah hujan periode (1971-2000) model MK 3.5 (kiri) dan
ECHAM5.MPI (kanan)
26
Curah hujan terendah sekitar (100-150) mm/bulan terjadi di puncak Gunung Rinjani, Gunung Batulanteh dan Gunung Tambora. Adanya pola hujan rendah di gunung seperti ini bisa disebabkan kondisi topografi gunung yang tinggi (seperti Mauna Loa dan Mauna Kea) dimana ketinggian gunung melewati lapisan inversi,
maka hujan yang terjadi tidak akan sampai pada puncak gunung tetapi terjadi di daerah lereng depan gunung (Miilen, 1996 dalam Listiaji, 2009).
Adanya curah hujan lebih tinggi di Sumbawa bagian Selatan sekitar (400-450) mm/bulan, meskipun tidak dapat digambarkan secara jelas, kebanyakan curah hujan pantai yang lebat terjadi di lepas pantai daripada di sekitar slope arah angin rangkaian pantai, kajian sebelumnya telah dicatat dan dipelajari untuk hujan lebat sepanjang pantai upstream bagian barat India Bagian Barat Ghats oleh Grossman dan Durran (1984), Smith (1985); Ogura dan Yoshizaki (1988) dalam Trilaksono, (2007). Kemudian Ogura dan Yoshizaki (1988) dalam Trilaksono, (2007) juga menyatakan bahwa posisi curah hujan paling lebat berada di lepas pantai bergantung pada geser angin vertikal kuat (Baratan level bawah dan Timuran level
atas) dan fluks permukaan kuat di atas laut.
27
IV.4.2 Proyeksi Curah Hujan Di NTB Periode (2040-2069)
Analisis berikutnya adalah proyeksi curah hujan jangka menengah (near future) periode (2040-2069), hasil kedua model baik ECHAM5.MPI dan MK 3.5, secara umum mempunyai kemiripan dalam memproyeksikan sebaran curah hujan periode jangka menengah di provinsi NTB. Secara spasial terlihat tidak terjadi pergeseran sebaran curah hujan di NTB dibanding periode baseline, yang terjadi adalah penurunan rata-rata curah hujan bulanan. Diprediksi rata-rata curah hujan berkisar antara (50-350) mm/bulan, penurunan curah hujan akan terjadi di sebagian wilayah Lombok bagian Utara dan Timur serta Sumbawa bagian Utara dan Tengah dari (300-350) mm/bulan menjadi (250-300) mm/bulan. Pada periode tersebut baik di wilayah Lombok dan Sumbawa diproyeksikan curah hujan terendah sekitar (50-150) mm/bulan, akan terjadi di daerah sekitar Gunung Rinjani dan Gunung Batulanteh dan Gunung Tambora. Adapun proyeksi curah hujan periode near future diilustrasikan pada Gambar IV.5 berikut :
Gambar IV.5 Curah hujan periode (2040-2069) model MK 3.5 (kiri) dan
ECHAM5.MPI (kanan)
IV.4.3 Proyeksi Curah Hujan Di NTB Periode (2070-2099)
28
Tambora. Namun demikian ada juga beberapa daerah tetap lebih basah dibanding daerah lain dengan rata-rata curah hujanya berkisar (300-350) mm/bulan terjadi di daerah Lombok bagian Barat, Sumbawa bagian Selatan dan Timur.
Ada sedikit perbedaan hasil proyeksi kedua model pada periode ini, dimana model
MK 3.5 memproyeksikan sebaran curah hujan untuk relatif lebih tinggi dibandingkan hasil proyeksi model ECHAM5.MPI, hal ini tentu akan berpengaruh terhadap hasil analisis kesesuaian agroklimat maupun analisis produktivitas padi. Hasil proyeksi curah hujan periode (2070-2099) disajikan pada Gambar IV.6 berikut.
Gambar IV.6 Curah hujan periode (2070-2099) model MK 3.5 (kiri) dan
ECHAM5.MPI (kanan)
IV.4.4 Perubahan Curah Hujan Periode (2040-2069) Dan (1971-2000)
29
Gambar IV.7 Perubahan curah hujan periode ((2040-2069) - (1971-2000)) (kiri) dan periode ((2070-2099) - (1971-2000)) (kanan) Model MK3.5
Hasil analisis perubahan curah hujan untuk periode future (2070-2099) terlihat perubahan curah hujan diperiode tersebut variasinya semakin besar, diproyeksikan perubahan curah hujan selama periode future relatif terhadap baseline/present, bervariasi sekitar -40% sampai dengan 20% dari rata rata bulananya. Penurunan curah hujan yang paling tinggi sekitar (30-40) % diprediksi akan terjadi di wilayah Lombok bagian Timur dan Sumbawa bagian Selatan dan Timur, disisi lain beberapa daerah diprediksi akan mengalami peningkatan curah hujan sekitar (10-20) % akan terjadi di Lombok bagian Barat, Sumbawa bagian Barat Daya. Jika dilihat dari posisi sebaran curah hujan di periode future kenaikan rata-rata curah hujan pada periode masa depan lebih disebabkan oleh kenaikan curah hujan yang signifikan pada musim hujannya yang relatif lebih basah daripada periode
baseline, namun demikian secara umum sebagian besar wilayah NTB mengalami penurunan curah hujan.
IV.4.5 Analisis Curah Hujan Pada Musim Hujan Periode (1971-2000)
Analisis curah hujan pada setiap musim dikaji pada periode-periode yang dianggap sebagai puncak di masing-masing periode musim, baik puncak musim hujan pada periode Desember, Januari, Februari (DJF) dan musim kemarau dengan puncaknya di bulan Juni, Juli, Agustus (JJA). Hasil simulasi sebaran curah hujan pada musim hujan (DJF) ditampilkan pada Gambar IV.8 berikut ini.
30
Gambar IV.8 Curah hujan pada musim hujan (DJF) (1971-2000) MK3.5 (kiri) dan
ECHAM5.MPI (kanan)
Hasil analis kedua model untuk simulasi curah hujan pada musim hujan di periode
baseline sebaran curah hujan pada musim hujan periode tersebut akan berkisar (100-550) mm/bulan, hasil kedua model menunjukan kecocokan dalam mensimulasikan sebaran curah hujan pada musim hujan di NTB. Untuk membantu analisis hasil simulasi curah hujan pada musim hujan periode baseline dilakukan analisis komposit angin terhadap curah hujan, dilustrasikan pada Gambar IV.9 berikut.
Gambar IV.9 Komposit angin permukaan dengan curah hujan (DJF) (1971-2000) MK 3.5
31
Barat dan Sumbawa bagian Barat dan Utara. Hal ini sesuai dengan Tjasyono (2008) secara klimatologi ketika musim hujan atau angin baratan berlangsung pantai Barat di sepanjang Jawa termasuk Nusa Tenggara akan mendapatkan curah hujan lebih banyak dibandingkan pantai Timur atau Selatan, karena awan-awan konvektif akan lebih banyak tertahan dan berkumpul didaerah tersebut.
32
IV.4.6 Analisis Curah Hujan Pada Musim Kemarau Periode (1971-2000) Untuk hasil simulasi curah hujan pada musim kemarau di wilayah Nusa Tenggara Barat dengan puncaknya di bulan Juni, Juli, Agustus (JJA) pada periode baseline
ditampilkan pada Gambar IV.10.
Gambar IV.10 Curah hujan pada musim kemarau (JJA) (1971-2000) model MK 3.5 (kiri) dan model ECHAM5.MPI (kanan)
Hasil analis kedua model untuk simulasi curah hujan pada musim kemarau di periode baseline, sebaran curah hujan pada periode tersebut berkisar (20-120) mm/bulan, hasil kedua model kembali menunjukan tingkat kecocokan yang sangat baik dalam mensimulasikan sebaran curah hujan pada musim kemarau di NTB, hasil simulasi menunjukan bahwa sebaran curah hujan dominan dengan kisaran (20-60) mm/bulan terjadi di sebagian besar pulau Lombok dan pulau Sumbawa. Curah hujan tertinggi pada musim kemarau periode tersebut berkisar (80-120) mm/bulan, yaitu di sekitar Sumbawa bagian Selatan dan Timur. Sedangkan untuk analisis komposit angin periode JJA bisa di lihat pada Gambar IV.11.
33
Secara klimatologis bisa dijelaskan bahwa periode musim kemarau di NTB dengan puncaknya sekitar Juni-Agustus (JJA), dimana kondisi angin pada periode itu adalah angin timuran atau lebih dikenal dengan monsun Australia sedang aktif (Aldrian dkk. 2007) dengan arah dari Timur dan Tenggara wilayah Nusa Tenggara Barat, dengan adanya obstacle dari pegunungan di sekitar Selatan Sumbawa dan Gunung Rinjani di pertengahan Lombok maka masa udara akan terhalang dan berkumpul di sekitar pegunungan sisi Selatan NTB sehingga hujan lebih berpeluang terjadi di daerah-daerah Selatan dan Timur NTB. Hal ini disimulasikan cukup baik pada Gambar IV.11, tentang komposit angin permukaan periode JJA dan sebaran curah hujan pada periode yang sama, dimana arah angin sudah dari arah Selatan dan Tenggara dan sebaran curah hujan pada periode ini sudah menunjukan kondisi musim kemarau seperti yang dinyatakan oleh Oldeman (1980) bahwa musim kemarau ditandai dengan jumlah curah hujan dalam satu bulan kurang dari 100 mm.
IV.4.7 Proyeksi Curah Hujan Pada Musim Hujan Periode (2040-2069)
Sedangkan untuk proyeksi curah hujan pada musim hujan (DJF) di NTB periode (2040-2069) ditunjukkan pada Gambar IV.12 berikut :
Gambar IV.12 Proyeksi curah hujan pada musim hujan (2040-2069 ) model MK 3.5 (kiri) dan model ECHAM5.MPI (kanan)
34
hujan dengan kisaran (250-400) mm/bulan, hampir di sebagian besar wilayah Pulau Lombok dan Sumbawa. Sementara itu curah hujan tertinggi sekitar (450-700) mm/bulan diprediksi akan terjadi di Lombok Barat dan Sumbawa bagian Barat dan Utara.
IV.4.8 Proyeksi Curah Hujan Pada Musim Kemarau Periode (2040-2069) Jika dibandingkan curah hujan musim kemarau (JJA) pada near future periode (2040-2069) dengan hasil simulasi baseline, dari hasil kedua model pada Gambar IV.13, terlihat pola sebaran hujan yang relatif sama namun secara umum rata-rata curah hujannya mengalami penurunan yang cukup signifikan.
Gambar IV.13 Proyeksi curah hujan pada Musim Kemarau (2040-2069 ) model MK 3.5 (kiri) dan model ECHAM5.MPI (kanan)
35
IV.4.9 Proyeksi Curah Hujan Pada Musim Hujan Periode (2070-2099)
Proyeksi curah hujan pada musim hujan (DJF) periode future berdasarkan kedua model diilustrasikan pada Gambar IV.14 berikut :
Gambar IV.14 Proyeksi curah hujan pada MH (2070-2099 ) model MK 3.5 (kiri) dan model ECHAM5.MPI (kanan)
36
IV.4.10 Proyeksi Curah Hujan Pada Musim Kemarau Di NTB (2070-2099) Untuk proyeksi musim kemarau (JJA) periode (2070-2099) berdasarkan 2 model ditampilkan pada Gambar IV.15 berikut :
Gambar IV.15 Proyeksi curah hujan periode MK (2070-2099 ) model MK 3.5 (kiri) dan model ECHAM5.MPI (kanan)
Hasil proyeksi curah hujan musim kemarau periode (JJA) tersebut berdasarkan hasil kedua model relatif sama. Curah hujan pada musim kemarau diprediksi berkisar (0–80) mm/bulan, kembali terjadi penurunan rata-rata curah hujan pada musim kemarau periode future dengan sebaran curah hujan rendah (0-20) mm/bulan mendominasi sebagian besar wilayah Nusa Tenggara Barat, curah hujan tertinggi dengan kisaran (60–80) mm/bulan hanya terjadi di Sumbawa bagian selatan dan Bima bagian Timur. Secara umum curah hujan pada periode
future turun sangat signifikan dibandingkan periode baseline, hal ini menunjukan bahwa di masa depan musim kemaraunya relatif akan lebih kering lagi dibanding periode sekarang.
IV.5 Analisis Data Temperatur
Proyeksi temperatur di provinsi Nusa Tenggara Barat tidak terlalu komplek dibandingkan proyeksi curah hujan. Laporan IPCC (2007) menyatakan bahwa perubahan iklim diprediksi terjadi seiring dengan peningkatan konsentrasi Gas Rumah Kaca (GRK) yang diikuti oleh peningkatan dua kali lipat konsentrasi CO2
pada tahun 2100. Peningkatan konsentrasi CO2 dianggap sebagai penyebab
37
Gambar IV.16 Proyeksi temperatur global dengan beberapa skenario
emisi dan asumsi pertumbuhan GRK pada tahun 2100 (Sumber : IPCC, 2007)
Berdasarkan Gambar IV.16, diilustrasikan bahwa pemanasan global sangat tergantung pada arah dan besaran timbal balik parameter iklim yang tidak secara pasti bisa diprediksi (IPCC, 2007). Besaran timbal balik parameter iklim yang tidak secara pasti inilah yang membuat IPCC membagai proyeksi iklim masa depan berdasarkan beberapa skenario. IPCC memprediksi bahwa temperatur bumi akan meningkat sekitar (1,1–6,4) °C pada akhir abad 21. Prediksi yang dianggap terbaik untuk akhir abad 21, sekitar (1,8–4,0) °C, range peningkatan tersebut diyakini akan berdampak terhadap kehidupan manusia termasuk pertanian dimasa yang akan datang (IPCC, 2007).
Dalam melakukan analisis perubahan temperatur untuk proyeksi iklim mendatang pada penelitian ini, sebelumnya dilakukan koreksi data model dengan simple corrected method seperti yang dijelaskan pada bab III. Hasil menghitung nilai Tkoreksi didapatkan nilai faktor koreksi sebagai koreksi bias periode baseline
38
Gambar IV.17 Koreksi rata-rata temperatur baseline (1971-2000)
Dimana nilai bias dari (TCCAM) dikurangi (Tobs) digunakan untuk mengkoreksi
nilai proyeksi temperatur (Tcorr), berdasarkan hasil koreksi didapatkan nilai
proyeksi temperatur. Trend kenaikan temperatur periode masa depan seperti diilustrasikan pada Gambar IV.18 berikut ini :
Gambar IV.18 Proyeksi temperatur periode (2040-2099)
Berdasarkan hasil proyeksi temperatur untuk periode (2040-2099) terlihat adanya
39
IV.5.1 Analisis Data Temperatur Di NTB Periode (1971-2000)
Berikut ini adalah gambaran sebaran temperatur baseline hasil simulasi kedua model seperti terlihat pada Gambar IV.19.
Gambar IV.19 Temperatur rata-rata baseline (1971-2000) model MK.3.5 (kiri) dan model ECHAM5.MPI (kanan)
Hasil simulasi temperatur periode (1971-2000) sebagai informasi baseline
mewakili kondisi masa kini, terlihat bahwa temperatur rata-rata di wilayah NTB pada periode tersebut bekisar antara (17-27)°C, hasil simulasi dua model baik
ECHAM5.MPI maupun MK 3.5 menampilkan sebaran temperatur yang relatif sama, dimana temperatur tertinggi terjadi didaerah pantai dan terendah didaerah sekitar gunung. Hal ini sesuai dengan metode lapsrate temperatur yang dinyatakan oleh Braak 1928 dalam Tjasyono (2008), Slingo dkk. (2011) bahwa seiring naiknya elevasi diikuti penurunan temperatur sekitar 0,65 °C/100 meter.
IV.5.2 Proyeksi Temperatur Di NTB Periode (2040-2069)
40
Gambar IV.20 Temperatur rata-rata periode (2040- 2069)model MK.3.5 (kiri) dan model ECHAM5.MPI (kanan)
IV.5.3 Proyeksi Temperatur Di NTB Periode (2070-2099)
Untuk proyeksi temperatur jangka panjang (future) periode (2070-2099) terlihat ada peningkatan temperatur rata-rata dibandingkan dengan temperatur periode (1971-2000) dengan kisaran antara (23-29) °C. Hasil proyeksi kedua model baik
MK 3.5 dan ECHAM5.MPI menampilkan sebaran temperatur yang relatif sama, hal ini dapat dilihat pada Gambar IV.21 berikut.
Gambar IV.21 Temperatur rata-rata periode (2070-2099) model MK.3.5 (kiri) dan model ECHAM5.MPI (kanan)
41
IV.5.4 Perubahan Temperatur Di NTB Periode (2040-2069)-(1971-2000) Analisis perubahan temperatur jangka menengah (near future) periode (2040-2069) relatif terhadap baseline periode (1971-2000), terlihat perubahan temperatur rata-rata di wilayah NTB dengan peningkatan berkisar (1,1–2,0) °C menurut model MK 3.5 dan ECHAM5.MPI. Kisaran peningkatan rata-rata temperatur yang mendominasi wilayah NTB bekisar antara (1,1–1,7) °C, terjadi di wilayah Lombok bagian Barat, Tengah dan Timur serta Sumbawa bagian Barat. Sementara itu untuk sebaran perubahan temperatur tertinggi terjadi Lombok Tengah bergerak ke arah Timur dan Sumbawa bagian Barat dan Tengah.
Gambar IV.22 Perubahan temperatur periode (2040-2069) model MK.3.5 (kiri) dan model ECHAM5.MPI (kanan)
IV.5.5 Perubahan Temperatur Di NTB Periode (2070-2099)-(1971-2000) Berdasarkan hasil proyeksi model MK 3.5 dan ECHAM.5MPI perubahan temperatur jangka panjang (future) periode (2070-2099), relatif terhadap baseline
42
Adapun perubahan temperatur pada periode future relatif terhadap periode
baseline di ilustrasikan Gambar IV.23 berikut :
Gambar IV.23 Perubahan temperatur periode future (2070-2099) model MK.3.5 (kiri) dan model ECHAM5.MPI (kanan)
IV.6 Analisis Kesesuaian Agroklimat Tanaman Padi
Beras sebagai hasil tanaman padi merupakan makanan pokok paling banyak dikonsumsi oleh masyarakat Asia (Peng, 2004). Padi bisa tumbuh diberbagai variasi ketinggian, tinggi optimum lahan untuk padi adalah daerah dengan ketinggian sekitar (0-1500) meter diatas permukaan laut, dengan temperatur optimum (22-30) °C (Ritung dkk. 2007). Tanaman padi bisa tumbuh pada dua sistem pengairan, dimana 75% tanaman padi tumbuh di daerah irigasi dan 10% didaerah tadah hujan dataran rendah (FAO, 2004). Rosenzweig dkk. (2001) menyatakan bahwa cuaca yang sulit diprediksi dapat meningkatkan kerentanan terhadap perkembangan suatu tanaman baik dari segi pertumbuhan, hama penyakit dan beberapa dampak negatif dari iklim ekstrim.
43
diklasifikasikan kedalam 4 kelas, setelah diklasifikasikan terhadap tingkat kesesuaian agroklimat masing-masing parameter baik iklim maupun non iklim, kemudian diolah dan di overlay di perangkat lunak GIS.
Analisis tingkat kesesuaian agroklimat tanaman padi dibagi kedalam tiga periode waktu yaitu periode (1971-2000) sebagai informasi baseline atau mewakili kondisi masakini, periode (2040-2069) untuk jangka menengah (near future) dan periode (2070-2099), untuk jangka panjang (future). Selanjutnya untuk informasi spasial tentang gambaran kondisi kesesuaian agroklimat tanaman padi pada masing-masing periode akan di tuangkan dalam bentuk peta kesesuaian agroklimat.
IV.6.1 Analisis Kesesuaian Agroklimat Tanaman Padi Periode (1971-2000) Hasil analisis kesesuaian agroklimat untuk periode (1971-2000) seperti yang ditunjukkan pada Gambar IV.24 dan Gambar IV.25 memperlihatkan bahwa secara umum tingkat kesesuaian agroklimat untuk tanaman padi pada periode tersebut, hanya spot kecildaerah yang sangat sesuai (S1), secara umum tingkat kesesuaian agroklimat yang dominan adalah (S2) sesuai moderate dan sesuai marginal (S3), bahkan beberapa daerah tidak sesuai (N) cukup luas di Lombok sekitar Gunung Rinjani dan Sumbawa Tengah dan sekitar Gunung Tambora.
44
Gambar IV.25 Peta kesesuaian agroklimat tanaman padi periode (1971-2000) model ECHAM5.MPI
Terdapat perbedaan hasil simulasi dari kedua model, dimana pada hasil model MK 3.5 terdapat daerah yang mempunyai tingkat kesesuaian (S1) sangat sesuai yaitu wilayah Sumbawa bagian Timur dan bagian Selatan. Ketidakcocokan hasil simulasi dua model tersebut lebih disebabkan karena simulasi curah hujan hasil
MK 3.5 relatif lebih tinggi dibandingkan dengan hasil ECHAM.5MPI. Hasil distribusi tingkat kesesuaian agroklimat tanaman padi periode (1971-2000) dengan parameter iklim inputan dari dua model ditunjukkan pada Tabel IV.2.
Tabel IV.2 Tingkat kesesuaian agroklimat tanaman padi periode (1971-2000)
Tingkat Kesesuaian
Agroklimat Daerah
S1 (Sangat Sesuai) Sebagian Sumbawa bagian Selatan dan Timur
S2 (Sesuai Moderate) Lombok Timur bagian Selatan dan Timur dan Lombok Bagian Selatan
S3 (Sesuai Marginal) Lombok Barat bagian Utara, Selatan dan Barat Laut, Lombok Tengah dan Timur, Sumbawa bagian Barat, Bima, Dompu
N (Tidak Sesuai) Kota Mataram, Lombok Barat, Lombok Timur dan Sumbawa bagai Tengah,Barat serta Bima dan Dompu bagian Utara
45
Dompu disebabkan karena tidak tersedia sistem irigasi. Faktor elevasi tinggi di sekitar Gunung Rinjani dan beberapa daerah pegunungan di Sumbawa menyebabkan tidak sesuai untuk pertumbuhan tanaman padi. Sebagai perbandingan, analisis tingkat kesesuaian agroklimat tanaman padi di NTB hasil kajian BPTP dalam Suriadi dkk. (2012), disajikan pada Gambar IV.26 dan IV.27.
Gambar IV.26 Peta kesesuaian agroklimat tanaman padi di Pulau Lombok (Sumber : Suriadi dkk. 2012)
Gambar IV.27 Peta kesesuaian agroklimat padi di Pulau Sumbawa (Sumber : Suriadi dkk. 2012)
46
IV.6.2 Proyeksi Kesesuaian Agroklimat Tanaman Padi (2040-2069)
Berdasarkan hasil analisis sebelumnya, dengan adanya perubahan curah hujan dan temperatur pada periode near future, bahwa diprediksi terjadi perubahan curah hujan yang variatif, penurunan sekitar 30% dan kenaikan 10% dari rata-rata bulananya, sedangkan kenaikan temperatur bekisar (1,1–1,7) C, hal berdampak pada kesesuaian agroklimat padi untuk periode tersebut, secara spasial disajikan pada Gambar IV.28 dan Gambar IV.29.
Gambar IV.28 Peta kesesuaian agroklimat tanaman padi periode (2040-2069) model MK 3.5
47
Dampak perubahan curah hujan dan temperatur pada periode near future terlihat dari hasil analisis kesesuaian agroklimat tanaman padi dari kedua model, jika dibandingkan dengan periode (1971-2000) hasil proyeksi menunjukkan terjadi pengurangan luasan daerah yang sesuai untuk tanaman padi di beberapa wilayah di provinsi Nusa Tenggara Barat. Wilayah dengan tingkat kesesuaian agroklimat (S2) sesuai moderate turun menjadi sesuai marginal (S3) terjadi di daerah Lombok Timur, serta Sumbawa bagian Tengah dan Selatan. Perubahan paling mencolok adalah makin meluasnya daerah dengan tingkat (N) tidak sesuai, baik di Lombok bagian Barat dan Selatan serta Sumbawa bagian Tengah dan Utara.
Hasil analisis kedua model menunjukan tingkat kesesuaian agroklimat yang relatif sama, meskipun model MK 3.5 masih menghasilkan daerah yang mempunyai tingkat kesesuaian (S1) walaupun hanya spot kecil di Sumbawa bagian Tengah dan Timur. Hasil proyeksi kesesuaian model MK 3.5, lebih optimis untuk kesesuaian agroklimat tanaman padi dibanding hasil simulasi model
48
IV.6.3 Proyeksi Kesesuaian Agroklimat Padi (2070-2099)
Hasil analisis agroklimat tanaman padi future periode (2070-2099) ditunjukan pada Gambar IV.30 dan Gambar IV.31, tingkat kesesuaian agroklimat tanaman padi di provinsi NTB pada periode tersebut jika dibandingkan dengan periode (1971-2000), perubahan signifikan terlihat dengan semakin meluasnya daerah dengan tingkat kesesuaian (N) tidak sesuai di sebagian besar wilayah NTB seperti di Lombok Barat dan Selatan, Sumbawa Tengah dan Utara, dengan perluasan semakin bergeser ke Timur. Hasil kedua model disajikanGambar berikut.
Gambar IV.30 Peta kesesuaian agroklimat padi periode (2070-2099) model MK 3.5
49
Jika dibandingkan dengan periode (2040-2069) wilayah yang semula dengan tingkat kesesuaian (S2) sesuai moderate di Lombok bagian Timur serta Sumbawa bagian Utara pada near future turun menjadi tingkat (S3) sesuai marginal pada periode future (2070-2099). Kemudian penurunan luas wilayah dari tingkat kesesusaian (S3) sesuai marginal pada periode near future turun menjadi tingkat (N) tidak sesuai, terjadi di Lombok bagian Tengah dan Sumbawa bagian Tengah. Wilayah dengan tingkat kesesuian (S2) dan (S1) semakin menyempit hanya spot
kecil di Sumbawa bagian Tengah dan Timur.
Hasil analisis kesesuaian agroklimat tanaman padi di provinsi NTB berdasarkan hasil kedua model, untuk periode near future (2040-2069) dan future (2070-2099) dibandingkan dengan periode baseline (1971-2000), secara keseluruhan menunjukan terjadi perubahan signifikan pada kesesuaian agroklimat tanaman padi, hal ini ditunjukkan dengan semakin berkurangnya luasan daerah yang sesuai moderate (S2) dan semakin semakin luasnya tingkat (N) tidak sesuai pada akhir abad 21, hal ini tentu akan berpengaruh signifikan pada luasan lahan untuk menanam padi, sehingga produksi padi diprediksi akan berkurang dimasa depan, karena bila memaksa menanam padi di lahan yang tidak sesuai secara agroklimat tentu akan mempengaruhi pertumbuhan dan produktivitasnya.
50
IV.7 Analisis Produktivitas Padi Di NTB
Tantangan masa depan di provinsi NTB adalah meningkatnya temperatur seperti hasil proyeksi dari kedua model yaitu ECHAM5 MPI dan MK 3.5, memperlihatkan bahwa temperatur di provinsi Nusa Tenggara Barat akan meningkat dengan kisaran (1,1–3,7) °C pada periode (2040-2099), dengan variasi penurunan sekitar 40 % dan kenaikan sekitar 20%, tentu akan berpengaruh terhadap produktivitas padi pada masing- masing periode.
Analisis produksi padi untuk wilayah NTB dengan menggunakan bantuan model simulasi produksi pertanian APSIM, dengan parameter input data iklim harian meliputi temperatur, curah hujan dan radiasi matahari, sementara itu parameter non iklim lain adalah, jenis tanah, tanaman, jenis pupuk, sistem irigasi atau non
irigasi (Keating dkk. 2003). Adapun variabel keluaran dari model APSIM adalah informasi ketersediaan air, pertumbuhan daun, perkembangan batang, kandungan nitrogen di tanah, parameter biomasa, waktu panen hingga produksi panen. Setiap perkembangan dari tanaman disimulasikan sebagai output harian, kelebihan model APSIM adalah mensimulasikan kapan waktu panen yang ideal yang bisa menghasilkan produksi panen (crop yield) optimal. Berikut ini adalah tampilan dari hasil keluaran model APSIM.
Gambar IV.32 Tampilan hasil keluaran model APSIM
51
Tabel IV.3 Contoh keluaran model APSIM untuk satu musim tanam
Manajemen Pertanian Tanggal Keterangan
Penyemaian 17 Maret 2012
Varietas padi Impari 10
Penanaman 7 April 2012 Jarak tanam: 20 × 20 cm
Pemupukan ke-1 13 April 2012 200 kg phonska/ha dan 50 kg urea/ha
Sample tanah dan tanaman 30 April 2012 Monitor tanah dan tanaman
Pemupukan ke-2 1 Mei 2012 95 kg/ha
Sample tanah dan tanaman 24 Mei 2012 Monitor tanah dan tanaman
Pemupukan urea ke-3 29 Mei 2012
Sampel tanah dan tanaman
masa pembungaan 5 Juni 2012 Monitor tanah dan tanaman
Panen 4 Juli 2012 waktu panen ideal
Produksi padi 6231 kg/ha
Sumber : (Suriadi dkk. 2012)
Dari hasil simulasi contoh keluaran APSIM bisa diketahui bahwa jika padi dengan varietas inpari mulai disemai pada tanggal 17 Maret 2012, kemudian mulai ditanam tanggal 7 April, dengan memperhitungkan iklim, manajemen pertanian dan teknis pemupukan seperti diuraikan pada Tabel IV.3, maka disimulasikan pada tanggal 4 Juli 2012 adalah waktu untuk masa panen, dengan hasil panen diprediksi sekitar 6231 kg/ha atau 6,23 ton/ha. Validasi hasil model APSIM sudah dilakukan oleh Suriadi dkk. (2012) simulasi produksi padi di daerah penelitian di Kabupaten Lombok Tengah, ilustrasi pada Gambar IV.33.
52
IV.7.1 Hasil Simulasi Produktivitas Padi
Analisis hasil model APSIM berikut ini, data inputan iklim harian periode (1971-2000). Produktivitas padi hasil simulasi yang diperhitungkan merupakan hasil simulasi produksi panen selama 2 kali musim tanam, dengan pola tanam padi-padi-palawija, dimana musim tanam I akan dimulai sekitar November-Desember dan musim tanam II dimulai bulan Maret-April. Total produksi yang diperhitungkan adalah hasil rata-rata dari dua kali hasil panen, sehingga data produksi yang digunakan merupakan rata-rata produksi tahunan. Dengan inputan data iklim baseline, secara grafis hasil simulasi produksi padi di Pulau Lombok dan Sumbawa ditunjukkan pada grafik Gambar IV.34 dan Gambar IV.35.
Gambar IV.34 Simulasi produktivitas padi di Pulau Lombok periode ( 1971-2000) Keluaran APSIM, input data model MK 3.5 dan ECHAM5.MPI
Gambar IV.35 Simulasi produktivitas padi di Pulau Sumbawa periode ( 1971-2000) Keluaran APSIM, dengan input data MK 3.5 dan ECHAM5.MPI
Produksi Padi (kg) Baseline ECHAM6 Produksi Padi (kg) Baseline MK 3.5
Produktivitas Padi di P. Lombok Periode Baseline (1971-2000)
Produksi Padi (kg) Baseline ECHAM6 Produksi Padi (kg) Baseline MK 3.5
53
Berdasarkan hasil simulasi model APSIM, produktivitas padi di wilayah kajian di Provinsi Nusa Tenggara barat adalah sekitar (5–7) ton/ha, secara grafik pada periode baseline, meskipun hasil produksi berfluktuatif terlihat ada trend
penurunan produktivitas padi meskipun tidak terlalu drastis, namun demikian hal ini mengindikasikan bahwa seiring terjadi perubahan curah hujan dan temperatur selama periode 30 tahun sudah terjadi penurunan produktivitas padi.
IV.7.2 Proyeksi Produktivitas Padi Periode (2040-2069)
Dalam analisis dampak dari perubahan curah hujan dan temperatur terhadap produktivitas padi dimasa depan, data proyeksi curah hujan dan temperatur digunakan sebagai salah satu inputan parameter iklim dari model APSIM, secara grafis hasil prediksi produktivitas padi pada periode near future bisa di lihat pada Gambar IV.36 dan Gambar IV.37.
Gambar IV.36 Proyeksi produktivitas padi di. P Lombok (2040-2069)
Gambar IV.37 Proyeksi produktivitas padi di P.Sumbawa (2040-2069)
0
Produksi Padi (kg/ha) Near Future _Echam Produksi Padi (kg/ha) Near Future _Mk 3.5
Proyeksi Produktivitas Padi P.Lombok
Produksi Padi (kg/ha) Near Future _Echam Produksi Padi (kg/ha) Near Future _Mk 3.5
54
Berdasarkan hasil keluaran model APSIM produktivitas padi pada periode near future berdasarkan hasil kedua model baik ECHAM5.MPI dan MK 3.5, diprediksi hasil produksi padi pada kisaran (5,2–6,4) ton/ha, rata-rata produksi padi di Pulau Lombok pada periode ini mengalami penuruan sekitar (7–10) % sedangkan di Pulau Sumbawa penurunan produksi sekitar (8–10)% relatif terhadap baseline
(1971-2000), terjadinya penurunan produksi padi pada periode ini sebagai dampak dari perubahan curah hujan dan temperatur, Darwin dkk (2001) menyatakan bahwa jika terjadi kenaikan temperatur lebih dari 1,3 °C akan menyebabkan penurunan produksi pertanian sekitar (1,8–4,8) %, berkurangnya curah hujan juga akan menurunkan produksi padi sekitar (10-30) % pada setiap musim (Gool dan Vermon 2005). Hal ini didukung juga oleh hasil penelitian Peng dkk. (2004) menyatakan bahwa rata rata produksi panen padi akan berkurang sekitar 10% sebagai akibat untuk setiap kenaikan temperatur minimum udara 1 °C khususnya ketika musim kemarau.
IV.7.2 Proyeksi Produktivitas Padi Periode Future (2070-2099)
Hasil analisis dampak dari perubahan curah hujan dan temperatur terhadap produktivitas padi pada periode future, secara grafis hasil prediksi produktivitas padi pada periode tersebutbisa di lihat pada Gambar IV.38.
Gambar IV.38 Grafik proyeksi produktivitas padi di Pulau Lombok (2070-2099) 0
Proyeksi Produktivitas Padi di P.Lombok Periode Future (2070-2099)
Produksi Padi (kg/ha) Future Echam Produksi Padi (kg/ha) Future Mk 3.5
Produks
i
(kg/
55
Gambar IV.39 Grafik proyeksi produktivitas padi di P.Sumbawa (2070-2099)
Berdasarkan hasil analisis produktivitas padi baik di Pulau Lombok maupun di Pulau Sumbawa, hasil kedua model baik ECHAM5.MPI dan MK 3.5, memperlihatkan hasil produksi pada kisaran (4.4–5.8) ton/ha pada periode future, artinya rata-rata produksi padi pada periode ini mengalami penuruan. Untuk melihat trend penurunan produksi padi masa depan disandingkan produktivitas masing-masing periode, seperti yang disajikan pada Gambar IV.40.
Gambar IV.40 Perbandingan produktivitas padi di Pulau Lombok periode future (2070-2099), near future (2040-269) relatif terhadap baseline (1971-2000)
Proyeksi Produktivitas Padi di P.Sumbawa Periode Future (2070-2099)
Produksi Padi (kg/ha) Future Echam Produksi Padi (kg/ha) Future Mk 3.5
56
Gambar IV.41 Perbandingan produktivitas padi di Pulau Sumbawa periode future (2070-2099), near future (2040-2069)relatif terhadap baseline (1971-2000)
