1. PENDAHULUAN
1.1. Latar Belakang
Informasi ramalan curah hujan sangat berguna bagi petani dalam mengantisipasi kemungkinan kejadian-kejadian ekstrim (kekeringan akibat El- Nino dan kebanjiran akibat La-Nina), yang sering menimbulkan kegagalan produksi pertanian. Curah hujan sebagai faktor yang penting bagi pertanian akan berpengaruh secara langsung terhadap ketersediaan air. Kurangnya ketersediaan air akan berdampak kekeringan, dan sebaliknya, apabila kelebihan air akan menimbulkan banjir jika tidak dilakukan pengelolaan dengan baik dan benar.
Dampak kerugian akibat kekeringan maupun banjir pada sektor pertanian ini sering terjadi karena (1) kekurangan informasi tentang curah hujan yang akurat, cepat, dan bersifat spesifik lokasi; (2) tingkat kemampuan peramalan yang masih belum baik ; dan (3) tingkat adopsi pengguna akhir, dalam hal ini petani, terhadap hasil ramalan masih sangat rendah.1
Fenomena El Nino berkaitan dengan kejadian iklim ekstrim. Dalam periode 1960 sampai 1988 terdapat 10 dari 14 kali kemarau panjang terjadi pada tahun-tahun El Nino. Kejadian kekeringan pada tahun 1982/1983 telah menimbulkan kerugian yang sangat besar di Indonesia mencapai 0,4 miliar dollar AS dan pada tahun 1997/1998 sekitar 375 juta dollar AS di mana sebesar 24 persen di antaranya dari sektor pertanian. Kekeringan maupun banjir selalu terjadi hampir setiap tahun di Indonesia dengan luasan dan intensitas yang bervariasi.
Dalam periode 1993 sampai 2002 rata-rata laha n pertanian yang terkena kekeringan seluas 220.380 hektar dengan lahan puso mencapai 43.434 hektar atau setara dengan 530.000 ton gabah kering giling (GKG), sedangkan yang terlanda banjir seluas 158.479 hektar dengan puso 38.928 hektar (setara dengan 400.000 ton GKG).1 Khususnya di kabupaten Indramayu, yang sangat sensitif terhadap kejadian iklim ekstrim, luas lahan yang terkena kekeringan pada tahun El Nino selalu melonjak tinggi dibanding tahun normal. Pada tahun-tahun ekstrim kering (El Nino 1991, 1994, dan 1997), kerugian ekonomi akibat kegagalan panen di
1http://www.kompas.com/kompas-cetak/0308/24/Fokus/508786.htm (24-08-2003)
daerah ini mencapai Rp 571 miliar, sedangkan pada tahun-tahun ekstrim basah, kerugian dapat mencapai Rp. 91 miliar (GFM & BMG, 2003).
Proses pembentukan hujan di kawasan tropis, termasuk Indonesia, merupakan proses yang sukar disimulasikan. Storch & Zwiers (1999) menyatakan bahwa belum ada suatu model iklim yang dapat digunakan untuk memprediksi curah hujan dengan baik. Topografi dan interaksi antara laut, darat dan atmosfir yang kompleks mempersulit prediksi curah hujan di wilayah Indonesia sehingga diperlukan model peramalan curah hujan yang akurat pada skala lokal (propinsi atau kabupaten) dengan mempertimbangkan informasi tentang sirkulasi atmosfir global yang dapat diperoleh dari luaran GCM (General Circulation Model).
GCM adalah suatu model berbasis komputer yang terdiri dari berbagai persamaan numerik dan deterministik yang terpadu dan mengikuti kaidah-kaidah fisika. GCM mensimulasi peubah-peubah iklim global pada setiap grid (berukuran
±2,5o atau ±300 km2) setiap lapisan (layer) atmosfir, yang selanjutnya digunakan untuk memprediksi pola-pola iklim dalam jangka waktu panjang (tahunan).
Dalam kajian klimatologi jangka panjang GCM merupakan suatu model yang berorientasi spasial dan temporal dan mampu menghasilkan ciri sirkulasi global pada skala besar, yaitu skala benua dan skala tahun atau dekade, dengan resolusi rendah. GCM merupakan alat prediksi utama iklim dan cuaca secara numerik dan sebagai sumber informasi primer untuk menilai pengaruh perubahan iklim. Namun informasi GCM masih berskala global dan tidak untuk fenomena skala lebih kecil (mesoscale atau lokal), sehingga sulit untuk memperoleh langsung informasi berskala lokal dari GCM. Resolusi GCM terlalu rendah untuk memprediksi iklim lokal yang dipengaruhi oleh sirkulasi atmosfir dan parameter lokal seperti topografi dan tataguna lahan, tetapi GCM masih mungkin digunakan untuk memperoleh informasi skala lokal atau regional bila teknik downscaling digunakan (Fernandez 2005).
Teknik downscaling adalah suatu proses transformasi data dari suatu grid dengan unit skala besar menjadi data pada grid-grid dengan unit skala yang lebih kecil. Wilby & Wigley (1997) menyatakan bahwa downscaling adalah suatu cara menginterpolasi peubah-peubah prediktor atmosfir berskala regional terhadap peubah-peubah berskala lebih kecil. Ada dua jenis teknik downscaling yaitu
dynamical downscaling dan statistical downscaling. Dynamical downscaling
merupakan proses downscaling yang dilakukan secara terus menerus sepanjang waktu di mana perubahan data suatu peubah pada grid- grid dengan skala yang lebih kecil mengikuti perubahan data peubah yang sama pada grid berskala besar.
Statistical downscaling adalah proses downscaling yang bersifat statik di mana
data pada grid- grid berskala besar dalam periode dan jangka waktu tertentu digunakan sebagai dasar untuk menentukan data pada grid berskala lebih kecil.
Teknik ini menggunakan model statistik yang menggambarkan hubungan antara data pada grid-grid berskala besar dengan data pada grid berskala lebih kecil.
Dalam statistical downscaling peubah-peubah data pada kedua jenis grid (besar dan kecil) sama atau berbeda. Teknik lainnya adalah statistical-dynamical downscaling yang merupakan kombinasi kedua nya.
Sehubungan dengan kajian dampak iklim dalam bidang pertanian dengan skala lokal diperlukan suatu pendekatan statistical downscaling (SD) untuk memprediksi curah hujan pada skala lokal dengan resolusi tinggi berdasarkan data GCM berskala global. Pendekatan SD menjembatani skala global GCM dengan skala yang lebih kecil, berdasarkan adanya hubungan fungsional antara kedua skala tersebut (Fuentes & Heimann 2000). Menurut Uvo et al. (2001), metode ini menduga nilai peubah meteorologis dalam selang waktu tertentu berdasarkan karakteristik sirkulasi atmosfir berskala besar atau mentransformasi data GCM ke peubah yang berskala lebih kecil. Pendekatan ini menggunakan model regresi untuk menentukan hubungan fungsional antara peubah iklim skala global GCM sebagai prediktor dengan peubah iklim lokal sebagai prediktan (respon). Namun data GCM tidak dapat digunakan secara langsung sebagai prediktor pada model regresi yang baku.
Data iklim (data GCM dan curah hujan) umumnya bersifat non-stasioner dalam ruang dan waktu, dinamik dan non- linear, menyebar non-Gaussian atau mungkin tidak mempunyai sebaran yang baku. Data GCM merupakan data spasial dan temporal di mana kemungkinan besar terjadi korelasi spasial antara data pada grid yang berbeda dalam satu domain dan otokorelasi dalam data deret waktu.
Pemodelan SD untuk pendugaan curah hujan harus memperhatikan kendala- kendala tersebut.
Di samping itu domain GCM merupakan salah satu faktor dalam SD, yaitu lokasi dan luasan area permukaan atmosfir. Domain menentukan keakuratan pendugaan model sehingga pene ntuan domain merupakan langkah penting dalam SD. Dalam pemodelan SD domain ini dijadikan sebagai prediktor yang berdimensi banyak di mana kemungkinan terjadi curse of dimensionality, korelasi spasial antar grid dalam domain, dan multikolinearitas antar peubah. Semakin besar domain dan semakin banyak peubah akan menimbulkan permasalahan statistik dalam pemodelan, terutama bila data historisnya tidak lebih banyak dari besar domain dan jumlah peubah.
Selama ini ada beberapa metode SD yang telah digunakan antara lain regresi linear berganda, regresi komponen utama, dan korelasi kanonik (untuk multi respon) (Wilby & Wigley 1997). Analisis komponen utama dapat digunakan untuk mengatasi masalah curse of dimensionality. Regresi komponen utama dapat mengatasi korelasi spasial atau multikolinearitas antar peubah prediktor (grid- grid) tetapi metode ini bersifat linear sehingga belum dapat mengatasi sifat data GCM yang non- linear dan belum mengatasi masalah otokorelasi pada data deret waktu (temporal). Kombinasi regresi komponen utama dan ARIMA telah digunakan untuk mengatasi otokorelasi (Notodiputro et al. 2004). Metode Regresi Projection Pursuit (PPR – Projection Pursuit Regression) berpotensi untuk
mengatasi masalah- masalah tersebut dan dapat digunakan untuk pemodelan SD.
Metode PPR ini telah digunakan dalam penyusunan model kalibrasi dalam bidang kimia (Malthouse 1995), di mana PPR dapat mengatasi multikolinearitas antara peubah prediktor dan sifat peubah respon yang nonlinear dan tidak berdistribusi baku.
1.2. Tujuan Penelitian
Model- model SD untuk peramalan curah hujan atau unsur iklim lainnya telah dikaji dan diterapkan di wilayah luar tropis berdasarkan peubah-peubah data GCM dan memberikan hasil ramalan cukup baik. Model ini tentunya berkaitan dengan kondisi keragaman iklim di wilayah masing- masing. Apakah model- model SD ini dapat diterapkan di wilayah tropis dengan keragaman iklim Indonesia? Oleh karena itu penelitian ini bertujuan mengkaji metode Projection
Pursuit untuk memperoleh suatu model SD untuk peramalan curah hujan bulanan
yang lebih akurat dan dapat diterapkan di wilayah Indonesia. Secara spesifik tujuan penelitian ini adalah:
1) Mempelajari perkembangan teknik-teknik SD dan permasalahan yang sering terjadi dalam pemodelan SD.
2) Menentukan domain GCM yang sesua i untuk pendugaan curah hujan lokal.
3) Menyusun model SD dengan metode PPR yang menggambarkan hubungan fungsional antara data GCM dan curah hujan dan apakah model PPR dapat mengatasi masalah curse of dimensionality, multikolinearitas, dan nonlinear.
Model PPR dibandingkan dengan PCR (Principal Component Regression) yang selama ini banyak digunakan untuk pemodelan SD. Kedua model menggunakan domain GCM yang sama.
4) Mempelajari apakah panjang data historis berpengaruh terhadap peramalan curah hujan, yaitu apakah data historis yang lebih pendek sudah representatif untuk pemodelan SD, dan mengetahui konsistensi peramalan curah hujan untuk berbagai tahun yang berbeda. Data pencilan (outlier) kemungkinan akan berpengaruh terhadap pemodelan sehingga pemeriksaan dan koreksi terhadap data pencilan dilakukan untuk memperoleh model yang lebih baik. Hasilnya adalah suatu model PPR dan domain GCM tertentu yang akan digunakan dalam kajian berikutnya.
5) Menentukan wilayah prakiraan hujan, yaitu pewilayahan atau pengelompokan (regionalisasi) stasiun curah hujan di kabupaten Indramayu, sehingga hanya satu model peramalan untuk satu kelompok stasiun. Model PPR diterapkan untuk regionalisasi stasiun-stasiun curah hujan. Pewilayahan dilakukan berdasarkan pola model dugaan setiap stasiun curah hujan. Hasil yang diharapkan adalah peta pewilayahan prakiraan curah hujan sehingga satu wilayah dapat diwakili dengan satu model.
1.3. Kegunaan Penelitian
Metode Projection Pursuit diharapkan dapat digunakan sebagai metode alternatif yang handal untuk pemodelan SD dan dapat digunakan untuk kajian- kajian dampak iklim.
1.4. Kerangka Pemikiran
Penelitian ini mencakup Studi Literatur terutama tentang data Luaran GCM dan Teknik-Teknik SD luaran GCM dan Permasalahan Statistik dalam pemodelan SD, Pene ntuan Wilayah dan Stasiun Curah Hujan, Penentuan Peubah Luaran GCM, kemudian Pengumpulan Data baik curah hujan maupun luaran GCM, Penentuan Domain GCM, Pre-processing (Reduksi Dimensi) yang kemudian dilakukan Pemodelan SD, Uji Konsistensi berdasarkan model SD yang terbentuk, dan selanjutnya dilakukan Penentuan Daerah Prakiraan Musim berdasarkan pola model penduga. Tahapan penelitian ini tercantum pada Gambar 1.1. Penelitian ini menggunakan data curah hujan lokal dari 32 stasiun di kabupaten Indramayu dan data presipitasi (luaran GCM).
Pemodelan SD menyusun model hubungan fungsional antara luaran GCM dengan curah hujan lokal sehingga model SD memerlukan suatu domain (luasan dan lokasi) GCM yang akan memberikan pendugaan curah hujan yang akurat.
Dalam hal ini luaran GCM dalam domain sebagai peubah prediktor yang akan menentukan peubah responnya, yaitu curah hujan lokal. Penentuan domain GCM merupakan langkah pertama dalam penyusunan model SD.
Secara umum data curah hujan bulanan bersifat nonlinear dan tidak berdistribusi yang baku, sedangkan data luaran GCM bersifat curse of dimensionality terutama bila dimensi semakin besar dan multikolinearitas,
sehingga langkah kedua dalam pemodelan SD adalah mereduksi dimensi data luaran GCM. Model nonparametrik (soft modeling) dan bersifat data-driven diperlukan untuk mengatasi masalah data curah hujan yang bersifat nonlinear dan tidak berdistribusi yang baku. Metode PPR merupakan salah satu metode yang dapat digunakan untuk mengatasi masalah- masalah tersebut, di mana PPR dapat melakukan reduksi dimensi dan menyusun model regresi yang bersifat nonparametrik dan data-driven.
Teknik-Teknik Statistical Downscalling Penentuan
Peubah-Peubah
Data Presipitasi GCM
X Data Curah
HujanLokal Y
Analisis Statistika Data Meteorologis
Penentuan Wilayah dan Stasiun Curah
Hujan
Pengumpulan Data Presipitasi Pengumpulan
Data Curah Hujan
Penentuan Domain GCM Studi Literatur
Pre-processing (Reduksi Dimensi) 2
Kab. Indramayu (32 stasiun)
Presipitasi (Data GCM)
Survei Teknik Statistical Downscalling
Pemodelan Statistical Downscalling
Uji Konsistensi Model Penduga
Model SD
Penentuan Daerah Prakiraan
Musim (DPM)
Daerah Prakiraan Musim (DPM)
Data Hasil Reduksi
Z 3
4 1
Domain GCM
6 5
Gambar 1.1. Tahapan Penelitian
(Nomor pada setiap kotak menunjukkan Tahapan Analisis Statistika)
Pemasalahan lain yang berkaitan dengan pemodelan SD adalah panjang data historis dan periodenya. Panjang data historis juga akan menentukan dugaan model SD. Panjang data historis berapa yang cukup representatif untuk pemodelan SD. Biasanya dalam pendugaan model digunakan panjang data historis lebih dari 30 tahun. Periode data historis yang berbeda nampaknya akan memberikan dugaan model yang berbeda pula, sehingga dalam penelitian ini akan dilakukan uji konsistensi model penduga pada berbagai periode untuk panjang data historis tertentu.
Pene ntuan Daerah Prakiraan Musim (DPM) dilakukan berdasarkan hasil dugaan model SD dengan domain luaran GCM dan panjang data historis yang
diperoleh pada tahapan sebelumnya. DPM yang terbentuk akan dibandingkan dengan DPM berdasarkan data dasarian (BMG 2003; Nuryadi 2005).
Perkembangan Teknik SD Luaran GCM dan Permasalahan Statistik diuraikan pada Bab 2. Penentuan Domain GCM untuk Penyusunan Model SD diuraikan pada Bab 3. Bab 4 membahas Penggunaan Projection Pursuit untuk Reduksi Dimensi dalam Pemodelan SD, yaitu tentang penggunaan PPR dalam pemodelan SD. PPR dibandingkan dengan PCR pada setiap panjang data historis (35, 30, 25, 20, dan 15 tahun). PPR juga dibandingkan berdasarkan dua domain GCM. Bab 5 membahas Uji Konsistensi Model SD Berbasis Projection Pursuit dalam Prediksi Curah Hujan, yaitu konsistensi pendugaan pada beberapa tahun peramalan. Dua domain GCM pada Bab sebelumnya juga dibandingkan berdasarkan konsistensi model. Untuk kedua domain ini dilakukan pemeriksaan data pencilan dan pembandingan model dengan data tanpa pencilan (yang dikoreksi) dengan model sebelumnya yang menggunakan data yang ada pencilan sehingga diperoleh domain yang relatif tidak sensitif terhadap data pencilan. Bab 6 membahas Penentuan Daerah Prakiraan Musim Berbasis Dugaan Model Regresi Projection Pursuit. Dalam Bab ini dilakukan pewilayahan 32 stasiun curah hujan
di kabupaten Indramayu berdasarkan dugaan model dan domain GCM pada Bab 4 dan 5. Pembahasan Umum pada Bab 7 mencakup bahasan-bahasan pada Bab 2, 3, 4, 5, dan 6. Simpulan dan Saran dicantumkan pada Bab 8.
