Академический Документы
Профессиональный Документы
Культура Документы
Gambar 1. Deviasi Rataan Curah Hujan El Niño, November 1997 – April 1998.
Sumber: National Oceanic and Atmospheric Administration (NOAA, 2004).
1
IMPENSO Laporan untuk Stakeholder
2
IMPENSO Laporan untuk Stakeholder
Prediksi kondisi atmosfir dan air tanah di daerah penelitian untuk skala waktu
beberapa bulan.
3
IMPENSO Laporan untuk Stakeholder
Gambar 2. Daerah Penelitian IMPENSO, Daerah Aliran Sungai Palu, Sulawesi Tengah.
4
IMPENSO Laporan untuk Stakeholder
5
IMPENSO Laporan untuk Stakeholder
wilayah Indonesia (Aldrian, 2003). Data reanalisis dari pusat prediksi cuaca jangka
menengah Eropa (ECMWF) digunakan sebagai masukan untuk REMO ½. Untuk
ukuran grid yang lebih kecil (resolusi tinggi) maka model atmofer yang digunakan
adalah MM5 dari PSU/NCAR Amerika Serikat dan LM dari Badan Meteorologi Jerman
(DWD).
Simulasi iklim dengan model REMO 1/6 mencakup seluruh pulau Sulawesi,
sebagian timur Kalimantan dan sebagian Maluku. Daerah penelitian IMPENSO di
Sulawesi Tengah terletak hampir di tengah-tengah dari wilayah model REMO. Simulasi
iklim yang telah dilakukan menggunakan data dari ECMWF yang tersedia setiap 6 jam,
dengan periode waktu 1979 sampai 1999.
Pengaruh ENSO tidak hanya pada iklim namun juga berpengaruh terhadap
fluktuasi cuaca pada skala harian. Curah hujan ekstrim sering kali terjadi pada bulan-
bulan di musim hujan pada saat terjadinya peristiwa La Niña. Keadaan topografi di
Sulawesi Tengah sangat bervariasi dalam jarak yang dekat, sehingga juga menghasilkan
variasi curah hujan yang sangat tinggi.
Untuk mempelajari kondisi cuaca ekstrim yang terjadi pada suatu hari, maka telah
diaplikasikan model prakiraan cuaca numerik beresolusi tinggi (5 km) di daerah
penelitian IMPENSO. Model prediksi cuaca numerik yang digunakan adalah MM5 dari
PSU/NCAR Amerika Serikat. Model MM5 (Grell, et. al., 1995) dikonfigurasi untuk
dua daerah model masing-masing berskala mendatar 15 x 15 km (domain1) dan 5 x 5
km (domain2) yang meliputi pulau Sulawesi dan daerah penelitian IMPENSO di
Sulawesi Tengah.
Prediksi cuaca dengan model MM5 telah dilakukan untuk periode 3 hari, dimulai
tanggal 3 Oktober jam 00.00 GMT. Model ini dijalankan dengan masukan data dari data
prakiraan model global GFS (AVN NCEP) yang tersedia setiap 6 jam. Model MM5 ini
dirancang untuk dijalankan secara rutin membuat perkiraan harian yang hasilnya
tersedia setiap jam 05 GMT untuk jangka perkiraan cuaca dua hari mendatang.
bulanan. Untuk analisis lebih lanjut, maka digunakan batasan nilai musim hujan dan
kemarau sebesar 150 mm.
Sebagian besar pola hujan di wilayah Sulawesi Tengah memiliki variasi bulanan
dengan nilai curah hujan bulanan kurang dari 200 mm. Periode musim hujan dan
kemarau untuk setiap daerah tipe hujan di Sulawesi Tengah tercantum pada Tabel 1.
Tabel 1. Periode Musim Hujan dan Kemarau pada Setiap Daerah Tipe Hujan di Sulawesi Tengah
Tipe Lokasi Periode Panjang Periode Musim Panjang
Hujan Musim Musim Hujan Musim
Kemarau Kemarau Hujan
1 Palu, Bora, Tolae, Balaroa,Januari - Desember 12 - 0
Tawaeli, Biromaru
2 Palolo, Kalawara, Lalos, Libok,Januari – Desember 12 - 0
Ongko, Tampiala, Wuasa,
Matikole, Dolo
3 Kamba, Lamadong, Lambunu Juli – Desember 6 Januari – Juni 6
4 Parigi, Hek Bunta Agustus – April 9 Mei – Juli 3
5 Singkoyo September – April 8 Mei – Agustus 4
6 Mayoa, Pandayora Agustus – September 2 Oktober – Juli 10
7 Waru September – April 8 Mei – Agustus 4
8 Poso Juli – September 3 Oktober – Juni 9
9 Agung Agustus – Maret 8 April – Juli 4
10 Kulawi, Toaya Agustus – September 2 Oktober - Juli 10
11 Marowo, Balantak, Luwuk Januari - Desember 12 - 0
12 Kolonodale, Lampasio September – 6 Maret - Agustus 6
Februari
Dari Tabel 1, dapat di ketahui bahwa permulaan musim kemarau bervariasi dari
bulan Juli sampai September, sedangkan untuk musim hujan variasinya sangat banyak.
Terdapat satu daerah tipe hujan yang memulai musim hujan di bulan Januari, satu
daerah tipe hujan musim hujannya mulai bulan Maret, satu daerah tipe pada bulan April,
tiga daerah pada bulan Mei dan tiga daerah pada bulan Oktober. Panjangnya musim
kemarau bervariasi dari dua hingga 12 bulan dan musim hujan bervariasi dari nol
hingga 10 bulan.
7
IMPENSO Laporan untuk Stakeholder
ALL
akibat pengaruh ENSO cukup bervariasi
NINO
400
curah hujan lebih tinggi pada tahun La Niña
dan lebih rendah pada saat terjadi peristiwa
CH (mm)
300
200
El Niño.
100
0
1 2 3 4 5 6
Bulan
7 8 9 10 11 12 Simulasi Iklim Regional
600
Model REMO dapat menjelaskan
500
dampak ENSO terhadap penurunan curah
400
hujan pada tahun El Niño 1982/83,
1986/87, 1991 dan 1993. Rata-rata dampak
rainfall (mm)
300
200
ENSO pada beberapa tahun La Niña and El
100
Niño di wilayah penelitian IMPENSO dapat
0
dilihat pada Gambar 4. Pengaruh ENSO
1 2 3 4 5 6 7 8 9 10 11 12
300
Unsur meteorologi yang penting di daerah tropik adalah curah hujan. Oleh karena
itu jumlah curah hujan dapat dijadikan indikator atas keberhasilan suatu model iklim.
Data pengamatan curah hujan juga lebih banyak tersedia dibanding unsur lain, walupun
distribusinya tidak seragam. Validasi model untuk unsur curah hujan dilakukan dengan
8
IMPENSO Laporan untuk Stakeholder
cara membagi daerah model ke dalam beberapa sub model yang salah satunya adalah
daerah penelitian IMPENSO.
250 250
Non ENSO Non ENSO
El Nino El Nino
200 La NIna 200 La Nina
150
Percentage of precipitation
150
Percentage of precipitation
100 100
50 50
0 0
Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez
Gambar 4. Presentase Rataan Curah Hujan Bulanan di Daerah Penelitian IMPENSO pada
Situasi ENSO yang berbeda (Tahun El Niño, La Niña, Non ENSO).
Keterangan : Hasil simulasi model REMO (kiri) dan data pengamatan (kanan).
Banyaknya curah hujan dari data pengamatan dan hasil simulasi model di daerah
penelitian IMPENSO dan di Sulawesi Selatan dapat dilihat pada Gambar 6. Kedua
daerah tersebut menunjukkan kondisi topografi yang berbeda. Validasi curah hujan hasil
simulasi REMO 1/6° di daerah yang relatif datar (Sulawesi Selatan) menunjukan
korelasi yang cukup baik sementara untuk daerah penelitian IMPENSO yang memiliki
topografi bervariasi pada jarak dekat, korelasinya kurang baik, hal ini disebabkan
daerah berpegunungan memiliki variasi curah hujan yang sangat tinggi.
1,5 30
SOI Precip. deviation
1 20
10
Precipitation Deviation
0,5
0
SOI
0
-10
-0,5
-20
-1 -30
-1,5 -40
1985 1987 1989 1991 1993 1995 1997 1999 2001
Gambar 5. Penyimpangan Curah Hujan di Kulawi dan Southern Oscillation Index (SOI).
9
IMPENSO Laporan untuk Stakeholder
900 900
800
model observed 800 model observed
700 700
Rainfall (mm/month)
600 600
rainfall (mm/month)
500 500
400 400
300 300
200 200
100 100
0 0
1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993
Gambar 6. Validasi Model REMO 1/6° di Wilayah Penelitian IMPENSO (kiri) dan di Sub Wilayah
Model Sulawesi Selatan (kanan).
10
IMPENSO Laporan untuk Stakeholder
3 105
2
90
1
75
-1
-1
[SOI]
60
-2
45
-3
-4 30
-5
15
-6 SOI MIU WUNO
-7 0
6
2
6
2
9
0
/9
/9
/9
/9
/0
/0
/0
l/
l/
l/
l/
l/
l/
l/
n
n
Ju
Ju
Ju
Ju
Ju
Ju
Ju
Ja
Ja
Ja
Ja
Ja
Ja
Ja
Gambar 7. Korelasi Positif antara SOI dan Rata-Rata Bulanan Laju Pengisian (Discharge)
Sungai Wuno dan Miu (1996 – 2002).
Terutama selama tahun kejadian El Niño terbesar 1997/1998, terjadi arus sungai
yang sangat rendah yang diukur pada stasiun pencatat di dua daerah pengamatan. Jika di
bandingkan, rataan laju pengisian dengan laju pengisian yang rendah pada tahun 1997-
1998 di dua lokasi pengamatan, secara total diperoleh penurunan laju pengisian sebesar
60 persen dari anak sungai Wuno dan 80 persen dari anak sungai Miu.
11
IMPENSO Laporan untuk Stakeholder
Model Hidrologi
Cakupan model hidrologi adalah menyederhanakan sistem hidrologi, guna
mendapatkan gambaran terhadap proses hidrologi. Hal ini nantinya akan digunakan
untuk simulasi curah hujan atau menentukan neraca air di daerah pengamatan.
Secara keseluruhan, tujuan model hidrologi adalah untuk mendapatkan prediksi
yang dapat membantu pembuat kebijakan berkaitan dengan masalah hidrologi, cuaca
dalam manajemen sumberdaya air, proteksi banjir dan ijin pemindahan air.
12
IMPENSO Laporan untuk Stakeholder
Formulasi Skenario
Setelah model hidrologi dilakukan verifikasi, kemudian dapat memprediksi
skenario untuk daerah airan sungai. Untuk menentukan daerah yang paling menderita
dampak kejadian ENSO, sub proyek B menerapkan skenario anomali curah hujan yang
disebabkan oleh ENSO. Kemudian untuk menganalisis kekurangan dan kekuatan
penggunaan lahan untuk dampak kejadian ENSO diterapkan skenario penggunaan
lahan.
nantinya bisa dijadikan dasar untuk menentukan nilai parameter yang dibutuhkan untuk
model hidrologi pada daerah aliran sungai. Berdsarakan DEM, IMPENSO menghitung
informasi hidrologi spasial yang penting seperti arah aliran sungai, akumulasi aliran air,
jaringan sungai dan struktur lembah sungai.
12
10
10 observed discharge
simulated discharge
8
discharge [mm d-1]
discharge [m3s-1]
6
6
4
4
2 2
0 0
02
02
03
03
03
03
03
9/
1/
1/
3/
5/
7/
9/
/0
/1
/0
/0
/0
/0
/0
01
01
01
01
01
01
01
Gambar 8. Laju Pengisian Sungai Hasil Pengamatan dan Model yang di Kalibrasi pada Sub DAS
Takkelemo Periode 01.09.2002 - 31.08.2003 (Index kesesuaian d = 0.89).
14
IMPENSO Laporan untuk Stakeholder
Sesudah itu maka model hidrologi yang dikalibarasi adalah valid untuk periode
01.09.2002 – 31.08.2003. Model hidrologi yang valid menyatakan secara tidak langsung
bahwa model yang telah dijalankan dapat diterapkan untuk periode yang lain dengan
tidak merubah parameter yang telah dikalibrasi. Model hidrologi dinyatakan valid jika
perhitungan statistik untuk model yang digunakan adalah sulit berubah. Validasi yang
didapat selama periode penerapan model sebesar d = 0.82. Setelah model hidrologi
valid, nantinya bisa digunakan untuk analisis skenario peramalan.
Tabel 2. Neraca Air Sub DAS Takkalemo untuk Kondisi Riil dan Penerapan Skenario ENSO
dengan Asumsi Curah Hujan berkurang -40 %, 01.09.02 – 31.12.02
Water balance Kondisi Riil Skenario ENSO
[mm/year] (01.09.02-31.08.03) (-40 % area precipitation 01.09.02-31.12.02)
Area Precipitation 2418 1911 -21 %
Interception (EI) 559 496 - 11 %
Real Evapotranspiration (ETR) 1063 1070 1%
Discharge (Q) 728 494 -32 %
Direct Discharge (QD) 27 7 -74 %
Interflow (QI) 559 496 -11 %
Base Flow (QB) 509 346 -32 %
Storage Change (∆S) 488 291 - 40 %
15
IMPENSO Laporan untuk Stakeholder
kerugian sebelum kejadian kekeringan terjadi dan respon ex-post dilakukan guna
menanggulangi penurunan pendapatan sebagai akibat adanya kejadian kekeringan
(Gambar 9).
Ex ante Ex post
Pengukuran ex-ante akan dibagi menjadi dua bagian, Pertama, strategi yang
bertujuan untuk pertahanan pribadi dan asuransi informal melalui diversifikasi asset dan
Kedua, asuransi formal dan instrumen keuangan. Dikarenakan pasar asuransi formal dan
keuangan tidak cukup tersedia di daerah pedesaan di negara berkembang, perhatian
terbesar ditekankan pada strategi diversifikasi meliputi investasi pada asset alam, fisik,
manusia dan sosial.
Investasi pada kemampuan managemen pertanian dapat diidentifikasi sebagai
salah satu strategi yang dapat menambah variabel pengembalian dari aktifitas pertanian,
sehingga memperkuat kemampuan pertahanan diri rumahtangga. Jika manajamen
tanaman tidak optimal, petani gagal memperoleh ouput maksimum yang bisa diperoleh
dari penggunaan sejumlah input, ini dinamakan inefisiensi teknis.
Sejak efisiensi pada produksi pertanian diharapakan memainkan peranan yang
penting untuk pertahaan diri, tingkatan efisiensi teknis dari petani dapat diukur
menggunakan stochastic frontier production functions pada dua tanaman utama di
daerah penelitian yaitu padi irigasi dan kakao.
Untuk mengukur ketahanan rumahtangga terhadap kekeringan maka dilakukan
analisis komponen utama (Principle Component Analysis) untuk membentuk indeks
ketahahan rumahtangga terhadap kekeringan yang berasal dari variabel pengeluaran dan
17
IMPENSO Laporan untuk Stakeholder
100%
Persentase dari panen pada situasi 'normal'
90%
80%
70%
60%
50%
40%
30% 63,8 62,2 61,7 61,2
44,7
20% 36,8
10%
0%
Padi saw ah Kelapa Coklat Kopi Pisang Jagung
(n = 123) (n = 19) (n = 69) (n = 43) (n = 10) (n = 24)
Banyak dari rumahtangga responden yang tidak memiliki akses informai terhadap
ramalan kejadian ENSO sehingga kesiapan mereka menghadapi kemarau sangatlah
rendah, sehingga rumahtangga lebih banyak melakukan strategi adaptasi pada saat
kejadian berlangsung. Strategi tersebut ditunjukan pada Gambar 1. antara lain 43 persen
rumahtangga yang mengalami kejadian ENSO memperoleh sumber penghasilan yang
18
IMPENSO Laporan untuk Stakeholder
biasa mereka tidak peroleh yaitu berasal dari gaji pekerja upahan, 21 persen
rumahtangga responden meminjam uang untuk bisa mempertahankan tingkat konsumsi
mereka. Pinjaman tersebut biasanya diperoleh dari kerabat, pemilik toko dan pedagang.
Secara rata-rata pemilik toko dan pedagang mengenakan suku bunga sebesar 143 persen
pertahun.
M e m inja m ua ng 20,7
M e njua l a s e t 6,4
0 5 10 15 20 25 30 35 40 45
Persentase rum ah-tangga (N=188)
19
IMPENSO Laporan untuk Stakeholder
0 20 40 60 80 100
0 20 40 60 80 100
Persentase rum ah-tangga dan pengeluarannya
20
IMPENSO Laporan untuk Stakeholder
6.3 Saran
Berdasarkan hasil penelitian dapat diberikan saran kebijakan sebagai berikut :
Meningkatkan akses untuk petani terhadap peramalan ENSO sehingga membuat
petani memiliki kesempatan persiapan yang lebih baik terhadap kemarau. Hal ini
meliputi membangun model iklim yang dapat meramalkan dampak ENSO pada
tingkat penduduk setempat (ini sudah dilakukan oleh sub proyek A) dan
meningkatkan transfer informasi dari Badan Meteorologi dan Geofisika (BMG)
kepada petani.
Dalam konteks pengukuran strategi persiapan yang potensial, studi lanjutan
diharapkan bisa mengkaji usahatani tanaman lain yang tahan terhadap kondisi
kekeringan di daerah penelitian seperti tanaman kacang.
Jasa lembaga keuangan formal diharapkan bisa memfasilitasi suku bunga yang
lunak dan menyediakan tabungan yang menguntungkan.
Penyuluhan pertanian diharapkan bisa ditingkatkan terutama pada perbaikan
manajemen resiko.
21
IMPENSO Laporan untuk Stakeholder
Ketidakmampuan Ketidaksinambungan
mempersiapkan pilihan strategi adaptasi
strategi
Gambar 14. Siklus Kemiskinan, Ketidakmampuan Bertahan pada Situasi Kekeringan dan Saran
Kebijakan serta Pengukuran Penelitian.
22
IMPENSO Laporan untuk Stakeholder
23
IMPENSO Laporan untuk Stakeholder
Koresponden
Dr. Alwin Keil M.Sc. Dodo Gunawan
(Sub Proyek C dan koordinator proyek) (Sub Proyek A)
Goettingen University E-mail: dgunawa@gwdg.de
Institute of Rural Development
Waldweg 26 Dipl. Ing. Constanze Leemhuis
D-37073 Goettingen (Sub Proyek B)
Germany E-mail: cleemhu@gwdg.de
Telepon: (+49) 551 392214
Fax: (+49) 551 393076 Dr. Marhawati Mappatoba
E-mail: Alwin.Keil@agr.uni-goettingen.de (Fasilitator proyek di UNTAD)
d/a Kantor Koordinasi STORMA : Universitas Tadulako, Fakultas Pertanian, Kampus Bumi
Tondo, Palu, Sulawesi Tengah 94118. Telepon/Fax: (0451) 451728
24