prediksi kekeringan jms_vol. 8_no.2_57-61

8/14/2019 Prediksi Kekeringan JMS_VOL. 8_NO.2_57-61

1/5

Jurnal Matematika dan SainsVol. 8 No. 2, Juni 2003, hal 57 61

Peranan Pengelompokan Samar dalam Prediksi Kekeringan di Indonesia Berkaitan

dengan ENSO dan IOD

The Houw Liong1), Bannu

2), dan P.M. Siregar

3)

1)

Departemen Fisika , ITB2)Jurusan Fisika, UNHAS.

3)Departemen Geofisika & Meteorologi,ITB

Diterima tanggal 21 Oktober 2002, disetujui untuk dipublikasikan 13 Mei 2003

Abstrak

Secara umum kekeringan di Indonesia dapat diprediksi berdasarkan intensitas El Nio yang didefinisikan

berdasarkan deret waktu anomali suhu permuaan laut di Pasific (SSTA 3.4). Hasil penelitian menunjukkan bahwa

untuk intensitas El Nio kuat lebih dai 65% daerah di Indonesia mengalami hujan di bawah normal (Indonesia

kering). Korelasi antara intensitas El Nio yang kuat dengan persentase hujan di bawah normal di Indonesia

sangat besar , namun ketika intensitasnya rendah korelasinya menurun. Ini menunjukan bahwa ketika intensitas El

Nio rendah mekanisme lain, misalnya Dipole Mode di lautan India dapat memberi kontribusi besar. Pengaruhlebih rinci terhadap wilayah iklim di Indonesia masih harus dikembangkan. Pengelompokan wilayah iklim

berdasarkan himpunan samar atau relasi samar pola curah hujan bulanan yang dikenal sebagai fuzzy clustering

atau pengelompokan dengan JNA seperti yang dilakukan Kohonen dapat dipakai di sini. Ternyata daerah Indonesia

dapat dikelompokan berdasarkan pola hujan yang dipengaruhi kuat oleh Monsun Australia Utara Indonesia

(NAIM), dan pola hujan yang khas daerah khatulistiwa yang dikenal sebagai Benua Maritim (MC). Gagasan

pengelompokan wilayah iklim ini dilandasi pemikiran bahwa untuk membahas pengaruh ENSO dan IOD kita harus

membahas dinamika atmosfir dalam skala regional sehingga pengelompokan wilayah iklim harus berlandaskan

tinggi geopotensial atau pola hujan bulanan rata-rata. Ternyata Benua Maritim (MC) timur dan NAIM dipengaruhi

kuat oleh ENSO, MC barat khususnya Sumatra Selatan dan Jawa Barat dipengaruhi juga oleh Dipole Mode yang

terjadi di lautan India.

Kata kunci : pengelompokan samar, himpunan samar, relasi samar, ENSO, IOD, kekeringan, monsun, benua

maritim

Abstract

In general drought in Indonesia can be predicted from intensities of El Nio that can be defined by using time series

of sea surface anomaly on Pacific Ocean (SSTA 3.4). It can be shown that when El Nio with strong intensities

occur then more than 65% regions in Indonesia the precipitations are below normal (drought in Indonesia). The

correlation between strong El Nio intensities and percentages of regions in Indonesia with precipitations below

normal are high, but when the intensities are weak the correlations are low. In this case other phenomena such as

on Indian Ocean Dipole Mode (IOD) can contribute to drought in Indonesia. Clustering of climatic regions in

Indonesia based on monthly rainfall pattern using fuzzy set, fuzzy relations or Kohonens neural network will help

to clarify drought on these regions. It can be shown that climatic regions in Indonesia can be clustered based on

monthly rainfall patterns that are strongly influence by Australian monsoon which is known as North Australia

Indonesian Monsoon (NAIM) and Maritime Continent (MC) which has equatorial precipitation characteristic. The

climatic clustering is based on the ground that ENSO and IOD are regional atmospheric dynamic so the clusteringshould be based on average monthly pattern or geopotential height. The east MC and NAIM will be influence

strongly by ENSO and the western MC especially south Sumatra and west Java is influence also by IOD.

Keywords : fuzzy clustering, fuzzy set, fuzzy relations, ENSO, IOD, drought, monsoon, maritime continent

1. Pendahuluan

Badan Meteorologi dan Geofisika telah

membuat tabel tahun El Nio dalam kaitannya dengan

persentase daerah yang mengalami kekeringan (yang

mengalami hujan di bawah normal). Misalnya dalam

tahun 1961, 94% daerah Indonesia mengalami hujan

di bawah normal, tahun 1963, 92% mengalami hujandi bawah normal, dst.

Dalam penelitian tahun ini El Nio sangat

ditentukan oleh deret waktu anomali suhu permukaan

laut SST nino 3.4. Intensitas El Nio dapat

didefinisikan sebagai luas daerah di atas sumbu dari

deret waktu anomaly SST1). Dari tabel BMG tsb. kita

dapat mentransformasikannya menjadi grafik antara

kekeringan di Indonesia (Y) terhadap intensitas ElNio (X) (lihat Gambar 1).

57


2/5

58 JMS Vol. 8 No. 2, Juni 2003

Jika didekati dengan regresi linear hasilnya

sbb. ini, korelasi keseluruhan ialah R=0,57 , atau R2=

0,32 tetapi terlihat jelas dalam grafik tsb. bahwa

sebetulnya korelasinya besar ketika intensitas El Nio

tinggi dan rendah ketika intensitasnya rendah. Ini

berarti bahwa intensitas El Nio tinggi akanmenyebabkan kekeringan di Indonesia, tetapi ketika

intensitas El Nio rendah pengaruh lain dapat menjadi

dominan sehingga mungkin saja kekeringan terjadi

Gambar 1. Korelasi antara persentase daerah hujan di

bawah normal (Y) dengan intensitas El Nio (X)

Mode Dipole India atau dikenal sebagai IOD

(Indian Ocean Dipole Mode) yang merupakan anomalitemperatur permukaan laut India dapat juga memberi

kontribusi pada kekeringan di Indonesia, sehingga

untuk mengungkapkan mekanisme kekeringan di

Indonesia kita harus mempelajari interaksi antara El

Nio dengan IOD.

Berdasarkan hasil ini dari prediksi SSTA Nio

3.4 untuk tahun 20021), intensitas El Nio akan lemah-

sedang sehingga kekeringan di Indonesia lebih

dipengaruhi oleh faktor lain, misalnya IOD. Penelitian

lebih lajut masih diperlukan untuk dapat

mengungkapkan faktor tsb., pendaerahan wilayah

iklim yang lebih rinci berdasarkan himpunan

samar/relasi samar atau JNA2-4) perlu dikembangkan,sehingga diperoleh cara prediksi yang lebih baik.

Gagasan pengelompokan wilayah iklim ini dilandasi

pemikiran bahwa untuk membahas pengaruh ENSO

kita harus membahas dinamika atmosfir dalam skala

regional sehingga pengelompokan wilayah iklim harus

berlandaskan tinggi geopotensial 700 mb5) atau pola

hujan bulanan rata-rata.

2. Pengelompokan Wilayah Iklim Regional

Pengelompokan wilayah iklim dapat dilakukan

berdasarkan relasi kemiripan pola hujan bulanan rata-

rata. Dalam cara pengelompokan ini data hujan

bulanan harus di rata-ratakan dahulu untuk jangka 12tahun atau lebih jadi kita mempunyai vektor X(n) =

(X1n, X2n, ..X12n), Xkn = rata-rata hujan bulan ke k

untuk derah n dikurangi dengan rata-rata hujan

bulananya. Koefisien kemiripan S didefinisikan

sebagai berikut10)

S(X(n),X(m)) = X(n).X(m)/|X(n)||X(m)|

-1< S< +1

Dengan metoda pengelompokan ini kita dapat

memperoleh wilayah berdasarkan koefisien kemiripan

pola hujannya . Secara umum hasil pengelompokanya

sesuai dengan pengelompokan yang dilakukan oleh

Murakami et al6) yaitu

a. SEAM (South East Asia Monsoon)b. MC (Maritime Continent)c. NAIM (North Australia-Indonesian Monsoon),

dengan tambahan kita mempunyai koefisien

kemiripan untuk setiap tempat sehingga analisa

korelasinya dengan intensitas El Nio dapat dilakukan

dengan lebih rinci. Arti koefisien korelasi dengansuatu wilayah iklim merupakan koefisien korelasi

rata-ratanya. Koefisien korelasi sebagai fungsi dari

posisi masih bergantung dari koefisien kemiripannya.

Untuk NAIM (Gambar 2), ketika koefisien kemiripan

bertambah rendah maka koefisien korelasinya jugaakan turun7).

Berdasarkan pengelompokan samar7) kita dapat

membagi wilayah iklim Indonesia menjadi tiga

wilayah yaitu SEAM (South East Asia Monsoon)

(Gambar 3) yang pola hujannya dipengaruhi secara

kuat oleh tekanan di atas benua Asia, NAIM (NorthAustralia Indonesia Monsoon) (Gambar 2) yang pola

hujannya dipengaruhi secara kuat oleh tekanan di atasbenua Australia dan MC(Maritime Continent) yang

mempunyai pola hujan ekuator. Dari besar koefisien

kemiripan dapat dilihat bahwa tidak ada daerah

kepulauan Indonesia yang mempunyai koefisienkemiripan lebih besar daripada 0.5 untuk dapat

dinyatakan terkelompok sebagai SEAM. Pulau Jawa,

Nusa Tenggara, Sulawesi Selatan terkelompok

sebagai NAIM. Kepulauan lainya akan terkelompok

sebagai MC.

Metoda pengelompokan lain misalnya denganc-means fuzzy clustering atau pengelompokan dengan

JNA menurut Kohonen2,10) dapat saja dipakai dan

perbandingan berbagai metoda ini diharapkanmemperkaya cara penafsiran wilayah iklim Indonesia

dan meningkatkan prediksi kekeringan untuk berbagai

wilayah itu.


3/5

JMS Vol. 8 No. 2, Juni 2003 59

KLASIFIKASI CURAH HUJAN DENGAN REFERENSI VEKTOR DARWIN

Gambar 2. Pengelompokan wilayah iklim berdasarkan acuan pola hujan bulanan rata-rata di Darwin.

Tanda bintang lima menunjukan wilayah iklim mirip Darwin dengan koefisien kemiripan > 0,5

KLASIFIKASI CURAH HUJAN DENGAN REFERENSI VEKTOR BANGKOK

Gambar 3. Pengelompokan wilayah iklim berdasarkan acuan pola hujan bulanan rata-rata di Bangkok.

Tanda bintang lima menunjukan wilayah iklim mirip Bangkok dengan koefisien kemiripan > 0,5


4/5

60 JMS Vol. 8 No. 2, Juni 2003

Anomali Indeks Dipole Mode (DMI) Tahunan Periode 1961 - 2001

-0.5

-0.25

0

0.25

0.5

0.75

1

1961

1962

1963

1964

1965

1966

1967

1968

1969

1970

1971

1972

1973

1974

1975

1976

1977

1978

1979

1980

1981

1982

1983

1984

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

Tahun

SSTA(

der.C

)

Gambar 4. Pita hitam menunjukan Indonesia kering tahun El Nio, pita merah menunjukan Indonesia dinyatakan

kering ketika bukan tahun El Nio. Dua pita merah (tahun 1966 dan 1980) dapat dijelaskan karena pengaruh DMI

positif

Gambar 5. Prediksi Indeks Dipole Mode mulai awal

2003 hingga pertengahan 2003

Gambar 6. Prediksi SSTA Januari 2003 hingga Juni

2003

3. Pengaruh ENSO dan IOD

Pengaruh ENSO cukup kuat untuk berbagai

tempat di Indonesia. Dengan melihat anomali SSTNio 3.4 terlihat bahwa perioda 1961 sd 2001 wilayah

MC bagian timur mempunyai koefisien korelasi

sekitar 0,6 pada waktu terjadi El Nio sedangkan

wilayah NAIM hanya sekitar 0,3. Untuk wilayah MC

bagian barat dan SEAM masih belum ada kesimpulan

yang jelas karena ada yang berkorelasi 0.7 untuk

Padang pada tahun El Nio 97/98 tetapi berkorelasi

0.2 pada tahun El Nio 82/83 demikian juga untuk

Medan berkorelasi 0.45 pada tahun 97/98 tetapi

berkorelasi 0.11 pada tahun 82/837), sehingga dapat

dikatakan korelasinya dengan El Nio sangat lemah.

Untuk MC barat khususnya Jawa Barat dan

Sumatra Selatan pengaruh IOD

8)

harusdiperhitungkan. Pada umumnya ketika terjadi El Nio,

DMI (Dipole Mode Index) positif sehinga efeknya

saling memperkuat tetapi ada kasus ketika bukan

tahun El Nio Indonesia kering, ternyata ketika itu

DMI positif (Gambar 4), jadi tahun Indonesia kering

ketika bukan tahun El Nio dapat dijelaskan daripengaruh IOD.

Pada mulai tahun pertengahan 2002 sampai

awal 2003 diprediksi berdasarkan metoda ANFIS

intensitas El Nio lemah-sedang9) (Gambar 6) dan

dengan metoda ANFIS yang diterapkan untuk DMI,

ternyata DMI akan positif (Gambar 5) , sehingga dapat

diprakirakan bahwa sebagian besar daerah Indonesia(NAIM dan MC bagian timur) akan mengalami hujan

di bawah normal.


5/5

JMS Vol. 8 No. 2, Juni 2003 61

4. Kesimpulan

Pengelompokan samar wilayah iklimn

Indonesia menjadi SEAM, MC dan NAIM

memperjelas pengaruh ENSO pada prediski

kekeringan di Indonesia. Tahun-tahun Indonesia

kering ketika bukan tahun El-Nio dapat dijelaskan

karena ada pengaruh IOB (Index DMI positif).

Ucapan Terimakasih

Penelitian ini dibiayai oleh RUT VIII, KMRT

LIPI kontrak no. 142/SK/RUT/2002.

Daftar Pustaka

1. The H. L., Dupe Z.L., & Bajong T.H.K.,Prediksi Kekeringan di Indonesia dengan

JNA/ANFIS, Temu Ilmiah Prediksi Iklim dan

Cuaca II , Lapan, Bandung, 2001.

2. Jang, J.S.R., Sun, C.T., & Mizutani, E., Neuro-Fuzzy and Soft Computing, Prentice Hall,1998.3. Kohonen, T., The Neural Phonetic Typewriter,

Computer, Mar. 1988.

4. Feldman, J.A., Mark A. Fanty & Nigel H.Goodard, Computing with Structured Neural

Networks, Computer, Mar. 1988.

5. Robertson, A.W. &. Ghil, M., Large-ScaleWeather Regimes and Local Climate Over The

Western US,J. Climate, 1998.

6. Murakami, T., & Matsumoto, J., SummerMonsoon over the Asian Continent and Western

North Pasific,J of Meteorological Soc. Of Japan,1994.

7. The H. L., Siregar, T.M., & Bannu, PerananPengelompokan Samar dalam Prediksi

Kekeringan di Indonesia, Temu Ilmiah Prediksi

Iklim dan Cuaca Nasional III, Lapan, Bandung,

2002.

8. Saji, N.H., Goswami, B.N., Vinayachandran,P.N., & Yamagata, T., Dipole Mode in The

Tropical Indian Ocean, Nature, 401, 6751

(1999).

9. Bannu, Ikhsan, N., & The H. L., Model PrediksiAnomali Temperatur Muka Laut Daerah Nino 3.4

Berbasis ANFIS,J. HFI A5 0506 (2002).10. Ross, T.J., Fuzzy Logic with Engineering

Applications, McGraw Hill, Inc. 1995.

prediksi kekeringan jms_vol. 8_no.2_57-61

Documents