analisa enso

Dampak ENSO terhadap Sumberdaya Air dan Masyarakat Lokal

di Sulawesi Tengah

- Laporan untuk Stakeholder -

1. Fenomena Iklim El Niño Southern Oscillation (ENSO)

Produksi tanaman di daerah tropis memiliki kendala terhadap terjadinya

keragaman iklim yang mana sering ditimbulkan akibat adanya fenomena ENSO. Di

Indonesia, kejadian ENSO berhubungan erat dengan kondisi kemarau yang

berkepanjangan (Gambar 1). Pada empat tahun ENSO antara periode 1973-1992, rata-

rata curah hujan tahunan hanya sekitar 67% dari rata-rata curah hujan selama kurun

waktu 20 tahun pada dua jenis area tanaman utama yang terdapat di Pulau Jawa.

Terdapat fakta bahwa bersamaan dengan terjadinya pemanasan global maka frekuensi

dan besarnya dampak kejadian ENSO akan mengalami peningkatan selama abad 21.

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

Kejadian ENSO meningkatkan kewaspadaan diantara para peneliti, masyarakat

umum dan para pembuat kebijakan di negara yang mengalami dampak, hal ini berkaitan

dengan dampak keragaman iklim pada manajemen sumberdaya alam dan ketahanan

pangan. Di Indonesia, ENSO semakin memperburuk masalah sosial ekonomi dan

lingkungan yang disebabkan oleh peningkatan tekanan populasi di daerah zona

agroekologi.

Untuk menentukan kebijakan yang tepat guna menanggulangi dampak ENSO

dibutuhkan studi antar interdisipliner yaitu : (1). Didasarkan pada data biofisik dan

sosial ekonomi dan model pada skala meso dan mikro, (2). Pendekatan partisipatif,

pendekatan ini meliputi strategi tanggapan, reaksi dan adaptasi dari rumahtangga petani

pedesaan dan masyarakat lokal.

2. Seputar Proyek IMPENSO

IMPENSO (IMPact of ENSO) adalah proyek penelitian antar interdisipliner yang

menyelidiki dampak ENSO pada sumberdaya air dan masyarakat lokal di sekitar daerah

aliran sungai (DAS) Palu, Sulawesi Tengah. Proyek ini telah dimulai pada bulan

September 2001.

Secara keseluruhan, IMPENSO bertujuan mengidentifikasi kebijakan yang tepat

untuk menanggulangi dampak ENSO. Guna pencapaian tujuan penelitian secara

keseluruhan, IMPENSO mengkombinasikan data biofisik dan sosial ekonomi serta

model pada skala meso dan mikro yang diukur melalui pendekatan partisipatif.

IMPENSO terdiri dari tiga sub-proyek yang saling berkaitan dimana tujuan secara

spesifik adalah sebagai berikut:

Sub proyek A : Klimatologi “Keragaman Iklim dan ENSO”

Analisis keragaman curah hujan dan pola distribusi menggunakan data dari

stasiun iklim yang telah ada dan stasiun yang baru dibuat.

Pengujian hasil model numerik skala global dari ‘European Centre for

Mediumrange Weather Forecast’ (ECMWF) dan menggunakan model ini dengan

model iklim regional hidrostatis REMO.

Penurunan skala model REMO untuk memecahkan masalah iklim pada kondisi

area penelitian yang berupa daerah pegunungan.


3

Prediksi kondisi atmosfir dan air tanah di daerah penelitian untuk skala waktu

beberapa bulan.

Sub-proyek B : Hidrologi “Dampak ENSO pada Neraca Air”

Pemasangan alat pencatat otomatis ketinggian permukaan air sungai guna

menganalisis pola aliran sungai.

Penerapan model distribusi hidrologi WaSiMETH dan penggabungan parameter

iklim regional yang telah disediakan oleh sub proyek A.

Pengukuran dampak keragaman iklim dan perubahan penggunaan lahan pada

neraca air.

Simulasi iklim dan skenario penggunaan lahan dengan menggunakan model

hidrologi yang tepat terhadap kecenderungan ketersediaan air di masa yang akan

datang, nantinya digabungan dengan Sub-proyek C.

Sub-proyek C : Sosial Ekonomi “Sosial Ekonomi dan Implikasi Kebijakan terhadap Kejadian ENSO” Menyelidiki strategi tanggapan yang dapat dilakukan rumahtangga petani akibat

kejadian ENSO yang berkaitan dengan kekeringan, dengan menggunakan

pendekatan partisipatif.

Melakukan analisis ketahanan rumahtangga terhadap kejadian ENSO dan

membangun model linear programming guna keperluan simulasi pengambilan

keputusan yang dilakukan oleh rumahtangga petani, dengan cara menggabungkan

data yang dihasilkan oleh sub proyek A dan sub proyek B.

Berdasarkan model simulasi tersebut, dapat dibuat rekomendasi kebijakan

bersama dengan pembuat kebijakan di daerah setempat.


3. Daerah Penelitian IMPENSO

Daerah penelitian IMPENSO berada di sekitar daerah aliran sungai Palu, propinsi

Sulawesi Tengah (Gambar 2). Daerah aliran sungai ini mencakup area 2.694 km2 yang

memiliki karakteristik keragaman biofisik dan sosial ekonomi yang tinggi.

Di daerah pesisir sekitar ibukota Palu, yang memiliki empat sampai enam bulan kering

dan curah hujan tahunan hanya 600 mm/tahun, menyebabkan daerah tersebut

merupakan salah satu daerah terkering di Indoensia. Kondisi iklim dapat berubah secara

drastis di daerah dekat pegunungan dimana curah hujan bisa mencapai 2.000 mm/tahun.

Populasi daerah penelitian berkisar 30.000 jiwa. Keragaman suku penduduk asli

meningkat dikarenakan adanya kedatangan penduduk dari luar daerah. Seperti pada

umumnya daerah pedesaan, daerah penelitian memiliki karakteristik adanya kemiskinan

dan kebanyakan populasi menyadarkan diri pada produksi pertanian. Hal ini

ditunjukkan pada daerah lembah Palu merupakan area tanaman padi yang penting, dan

juga pada daerah yang berada pada ketinggian yang tinggi, padi dan kakao merupakan

dua tanaman utama yang tumbuh.

Gambar 2. Daerah Penelitian IMPENSO, Daerah Aliran Sungai Palu, Sulawesi Tengah.

4


5

4. Hasil Penelitian Sub Proyek A

4.1 Latar belakang dan Metodologi

Walaupun propinsi Sulawesi Tengah terletak di sekitar sabuk ekuator, namun

keadaan iklim di wilayah tersebut tergolong ekstrim kering. Parameter iklim yang

penting di daerah tropis adalah curah hujan. Maka untuk mengetahui keadaan iklim di

wilayah penelitian, data iklim khususnya curah hujan telah dianalisis. Eksplorasi data

curah hujan ini meliputi sebagian besar wilayah Sulawesi Tengah untuk mengetahui

gambaran umum iklim di wilayah penelitian dan sekitarnya.

Mengingat tingginya variabilitas curah hujan di Sulawesi Tengah menurut skala

ruang dan waktu, maka perlu di lakukan perwilayahan curah hujan ke dalam kelompok

yang memiliki kesamaan pola. Perwilayahan curah hujan ini sangat bermanfaat

misalnya untuk pengaturan jadwal tanam suatu jenis komoditi. Berdasarkan data historis

dari periode 1979–1997 pada 33 lokasi pengamatan curah hujan, telah dibuat

pengelompokan tipe curah hujan menggunakan analisis gerombol (Cluster Analysis).

Pengaruh El Niño terhadap kondisi iklim dapat mengakibatkan musim kemarau

yang berlangsung lebih lama dan lebih kering dari keadaan normalnya. Sebaliknya

dampak peristiwa La Niña, menyebabkan curah hujan selama periode musim kemarau

menjadi lebih tinggi.

Untuk mengetahui dampak ENSO terhadap variabilitas curah hujan di daerah

penelitian, data historis curah hujan bulanan dikelompokan ke dalam tahun-tahun

kejadian El Niño dan La Niña dan dibuat rata-rata. Definisi tahun ENSO yaitu El Nino

atau La Niña didasarkan pada definisi episode panas dan dingin suhu permukaan laut di

Samudera Pasifik yang dibuat oleh lembaga administrasi kelautan dan atmosfer

Amerika Serikat (NOAA). Dengan definsi dari NOAA tersebut maka peristiwa El Niño

dengan intensitas yang tinggi terjadi pada tahun 1982, 1987 dan 1992 dan peristiwa La

Niña terjadi pada tahun-tahun 1988/1989/1990.

Untuk studi masalah iklim, parameter atmosfer telah di modelkan dan di

kuantifikasi dengan model iklim regional. Mengacu pada kerapatan skala mendatar,

maka terdapat beberapa model iklim regional yang gunakan secara berjenjang. Model

iklim yang telah diterapkan pada daerah penelitian IMPENSO adalah REMO 1/6°

(Regional Model) dari MPI Hamburg dengan ukuran grid 18 x 18 km.

Data masukan yang diperlukan untuk melakukan simulasi iklim ini adalah dari

model yang sama (REMO ½°) pada ukuran grid 50 x 50 km yang mencakup seluruh


6

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.

4.2 Hasil dan Kesimpulan

Pewilayahan Curah Hujan

Dengan menggunakan analisis gerombol, maka dari jumlah 33 lokasi pengamatan

curah hujan telah terkelompok menjadi 12 pola hujan yang memiliki kesamaan sifat

dalam hal pola distribusi curah hujan bulanan. Masing-masing pola diwakili oleh satu

sampai sembilan lokasi yang memiliki kesamaan jumlah curah hujan dan variasi


7

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 Hujan

Lokasi Periode Musim

Kemarau

Panjang Musim

Kemarau

Periode Musim Hujan

Panjang Musim Hujan

1 Palu, Bora, Tolae, Balaroa,Tawaeli, Biromaru

Januari - Desember 12 - 0

2 Palolo, Kalawara, Lalos, Libok,Ongko, Tampiala, Wuasa,Matikole, Dolo

Januari – Desember 12 - 0

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 –

Februari 6 Maret - Agustus 6

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.

Pengaruh ENSO terhadapVariabilitas Curah Hujan

Pengaruh ENSO terhadap variabilitas curah hujan di wilayah penelitian

IMPENSO dapat dilihat pada Gambar 3. Di daerah Palu, curah hujan di bawah rata-rata

akibat pengaruh El Niño terjadi dari Juni sampai Desember sementara akibat pengaruh

La Niña yaitu curah hujan lebih tinggi dari rata-ratanya pada periode yang sama. Di

Kulawi, dampak ENSO terjadi pada periode bulan April sampai Oktober. Di Bora

pengaruh ENSO terjadi dari bulan Juni sampai November. Untuk daerah lainnya di


8

Sulawesi Tengah, pola curah hujan bulanan

akibat pengaruh ENSO cukup bervariasi

namun menunjukkan pola yang sama yaitu

curah hujan lebih tinggi pada tahun La Niña

dan lebih rendah pada saat terjadi peristiwa

El Niño.

Curah Hujan Bulanan Bora

0

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Bulan

CH (m

m)

ALLNINONINA150mm

Curah Hujan Bulanan Kulawi

0

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Bulan

CH (m

m)

ALLNINONINA150mm

0

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

month

rain

fall (

mm

)

Curah Hujan Bulanan Bora

0

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Bulan

CH (m

m)

ALLNINONINA150mm

Curah Hujan Bulanan Kulawi

0

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Bulan

CH (m

m)

ALLNINONINA150mm

0

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

month

rain

fall (

mm

)

Simulasi Iklim Regional

Model REMO dapat menjelaskan

dampak ENSO terhadap penurunan curah

hujan pada tahun El Niño 1982/83,

1986/87, 1991 dan 1993. Rata-rata dampak

ENSO pada beberapa tahun La Niña and El

Niño di wilayah penelitian IMPENSO dapat

dilihat pada Gambar 4. Pengaruh ENSO

terhadap variabilitas curah hujan dari hasil

simulasi model dan dari data pengamatan

menunjukkan bahwa pengaruh ENSO

terjadi pada periode musim kemarau (Juli –

Oktober). Data curah hujan dari salah satu

lokasi (Kulawi) juga menunjukkan adanya

pengaruh ENSO di daerah tersebut

(Gambar 5). ENSO intensitas tinggi yang

terjadi pada tahun 1987 dan 1997

ditunjukkan oleh nilai index SOI yang

negatif dan berkorelasi dengan

penyimpangan curah hujan.

Gambar 3. Pengaruh ENSO terhadap

Variabilitas Curah Hujan di Beberapa

Lokasi Daerah Penelitian IMPENSO.

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


cara membagi daerah model ke dalam beberapa sub model yang salah satunya adalah

daerah penelitian IMPENSO.

0

50

100

150

200

250

Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez

Perce

ntage

of pre

cipitat

ion

Non ENSOEl NinoLa Nina

0

50

100

150

200

250


Perce

ntage

of pre

cipitat

ion

Non ENSOEl NinoLa NIna

0

50

100

150

200

250


Perce

ntage

of pre

cipitat

ion

Non ENSOEl NinoLa Nina

0

50

100

150

200

250


Perce

ntage

of pre

cipitat

ion

Non ENSOEl NinoLa NIna

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

-1

-0,5

0

0,5

1

1,5

1985 1987 1989 1991 1993 1995 1997 1999 2001

Prec

ipitat

ion D

eviat

ion

-40

-30

-20

-10

0

10

20

30

SOI

SOI Precip. deviation

Gambar 5. Penyimpangan Curah Hujan di Kulawi dan Southern Oscillation Index (SOI).

9


0

100

200

300

400

500

600

700

800

900

1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993

Rainf

all (m

m/m

onth

)

model observed

0

100

200

300

400

500

600

700

800

900

1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993

rainfa

ll (mm

/mon

th)

model observed

Gambar 6. Validasi Model REMO 1/6° di Wilayah Penelitian IMPENSO (kiri) dan di Sub Wilayah Model Sulawesi Selatan (kanan).

Perkiraan Numerik Cuaca Harian Parameter cuaca yang diperoleh dari model perkiraan diantaranya curah hujan,

arah dan kecepatan angin, suhu udara dan persentase awan. Perkiraan dibuat untuk

interval waktu 3 jam. Hasil perkiraan untuk setiap interval tersebut menunjukkan bahwa

arah angin pada ketinggian 10 m di daerah pantai memperlihatkan adalanya proses

sirkulasi angin darat dan laut (land-sea breeze circulation) antara siang dan malam

sebagai akibat perbedaan pemanasan permukaan. Suhu udara pada ketinggian 2 meter

menunjukkan kesesuaian fluktuasi suhu udara harian dan juga memperlihatkan fluktuasi

berdasarkan tempat.

Distribusi curah hujan menunjukkan kesesuaian dengan kondisi pegunungan,

dimana curah hujan di daerah lembah sekitar Palu selalu rendah, sementara di daerah

pegunungan curah hujan lebih tinggi. Distribusi persentase awan juga mengikuti pola

distribusi curah hujan. Hasil selengkapnya perkiraan numerik cuaca harian dapat dilihat

pada web site http://wwwuser.gwdg.de/~dgunawa/.

10

http://wwwuser.gwdg.de/~dgunawa/


5. Hasil Penelitian Sub Proyek B

5.1 Latar Belakang dan Metodologi

Respon Hidrologi terhadap Kejadian ENSO : Studi Kasus Sungai Palu

Sistem sungai adalah integrator tertutup dari curah hujan pada skala luas.

Karenanya, laju pengisian sungai bisa merupakan indikator untuk anomali curah hujan.

Data arus anak sungai Palu yakni sungai Wuno (190km2) dan sungai Miu (177m2)

menunjukkan pengaruh ENSO terhadap siklus hidrologi.

Pada tahun ENSO yang terjadi di Sulawesi Tengah memiliki karakteristik

penurunan curah hujan selama musim kemarau yang berlangsung dari bulan Agustus

sampai dengan bulan November. Kejadian kemarau yang ekstrim ini berhubungan erat

dengan penurunan arus sungai dibawah normal.

-7

-6

-5

-4

-3

-2

-1

0

1

2

3

4

Jan/

96

Jul/ 9

6

Jan/

97

Jul/ 9

7

Jan/

98

Jul/ 9

8

Jan/

99

Jul/ 9

9

Jan/

00

Jul/ 0

0

Jan/

01

Jul/ 0

1

Jan/

02

Jul/ 0

2

[SO

I]

0

15

30

45

60

75

90

105

dis

char

ge

[ls-1

/km

²]

SOI MIU WUNO

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


12

Oleh karena itu, sub proyek B memformulasikan dua hipotesis penelitian

hidrologi sebagai berikut :

1. Perbedaan respon terhadap resiko kejadian ENSO di dua daerah penelitian

menandakan terdapat hubungan yang kuat terhadap keragaman karakteristik fisik

di daerah pengamatan.

2. Keragaman curah hujan yang tinggi di daerah sungai Palu menandakan

kerentanan terhadap kemarau.

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.

Pengujian pada Sungai Gumbasa

IMPENSO sub proyek B melakukan simulasi proses hidrologi di daerah aliran

sungai Gumbasa, dimana daerahnya meliputi area 1.308 km2. Keterbatasan aplikasi

model hidrologi pada daerah pengamatan ini dikarenakan adanya beberapa alasan :

1. Pengamatan sungai Gumbasa mewakili pengamatan area irigasi yang besar di

sungai Palu. Oleh karena itu, pada saat yang bersamaan dapat disimulasi

ketersediaan air pada irigasi dan juga memungkinkan formulasi skenario

keterbatasan air untuk pertanian yang digunakan untuk irigasi 1.000 ha area

tanaman padi.

2. Pada lokasi yang lebih rendah sekitar lembah Palu, beberapa penggunaan alat

hidrolik diatur untuk pendistribusian irigasi dan diatur terhadap permintaan air

untuk petani dikarenakan terjadinya keterbatasan air. Karenanya, simulasi

keseimbangan air di lembah Palu akan terbatas oleh kurangnya pengetahuan

pemasangan penggunaan alat hidrolik.


13

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.

Perolehan Data dari Daerah Aliran Sungai Gumbasa

Untuk menerapkan model hidrologi dibutuhkan data spasial (meliputi Digital

Elevation Model (DEM), peta tanah dan peta penggunaan lahan) dan data temporal

(meteorologi dan hidrological times series) dari daerah penelitian. Berkaitan dengan

pengujian ketersediaan input dan kalibrasi data untuk memasang model hidrologi pada

skala meso di daerah aliran sungai Palu, data hidrologi dan meteorologi dikumpulkan

dari berbagai sumber badan pemerintahan.

Guna tersedianya data mengenai laju pengisian dan distribusi curah hujan,

jaringan hidrologi yang baru yang memiliki enam tingkatan pencatat otomatis dipasang

di daerah penelitian. Untuk menghitung tinggi permukaan –kurva laju pengisian pada

lokasi tertentu, telah dilakukan pengukuran laju aliran profil sungai pada beberapa

stasiun dengan menggunakan metode kecepatan area. Untuk mendapatkan data curah

hujan yang signifikan maka IMPENSO mendirikan delapan stasiun iklim yang baru

guna menambah sepuluh stasiun ikim yang telah didirikan oleh STORMA, stasiun

IMPENSO ini telah dioperasikan sejak September 2002.

Untuk mendirikan stasiun iklim ini maka dilakukan koordinasi dengan :

• Sub proyek A (guna bantuan teknis, lokasi, integrasi dengan stasiun iklim

STORMA)

• Sub Proyek C (sesuai dengan delapan desa penelitian terpilih dan sosialisasi dengan

para petani)

IMPENSO sub proyek B melatih staf ahli peneliti setempat untuk pemeliharaan

stasiun iklim dan hidrologi guna pengukuran lanjutan dari kecepatan aliran secara

reguler. Data distribusi simultan dari sifat-sifat fisik daerah tangkapan telah

dikumpulkan, dievaluasi dan jika perlu dimasukkan dalam format digital.

Sumber data dari DEM (Digital Elevation Model), tipe tanah, geologi dan

klasifikasi tipe lahan di organisir dengan Sistem Informasi Geografi (SIG), sehingga


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.


Model Hidrologi DAS Gumbasa

Langkah pertama untuk adaptasi model hidrologi WASIM-ETH yang terpilih

telah diuji pada daerah tangkapan anak sungai kecil dari daerah tangkapan sungai

Gumabasa. Pengamatan di DAS Takkelemo meliputi area seluas 79km2. IMPENSO sub

proyek B berusaha untuk menunjukkan kemampuan model hidrologinya untuk diuji di

daerah pengamatan ini. Gambar 8. menunjukkan laju pengisian sungai hasil pengamatan

dan model yang sedang dikalibrasi selama periode 01.09.2002 – 31.08.2003.

Secara keseluruhan, model simulasi laju pengisian sungai adalah memuaskan.

Perhitungan statistik model menunjukkan d = 0.89 (skala 0-1, dimana 1 = kesesuaian

optimal) menunjukkan kesesuaian yang tinggi antara model dan observasi. Tetapi

beberapa kejadian curah hujan lokal (lingkaran merah) tidak dapat ditampilkan oleh

curah hujan wilayah hasil interpolasi, sehingga tidak dapat disimulasikan oleh model

hidrologi.

01/09

/02

01/11

/02

01/01

/03

01/03

/03

01/05

/03

01/07

/03

01/09

/03

disc

harg

e [m

m d

-1]

0

2

4

6

8

10

12

discharge [m3s -1]

0

2

4

6

8

10observed discharge simulated discharge

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


15

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.

Penerapan Skenario ENSO pada Sub DAS Takkalemo

Untuk menunjukkan dampak kejadian ENSO yang besar pada keseimbangan air,

di lokasi pengamatan Takkalemo, telah dilakukan simulasi dengan menerapkan skenario

ENSO yang mengasumsikan curah hujan berkurang 40% untuk periode 01.09.2002 -

31.12.2002. Tabel 2. menunujukkan simulasi keseimbangan air dan skenario ENSO

pada keseimbangan air untuk periode model 01.09.2002 – 31.08.2003.

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 [mm/year]

Kondisi Riil (01.09.02-31.08.03)

Skenario ENSO (-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 %

Penerapan skenario ENSO menunjukkan secara jelas dampak kejadian ENSO

pada keseimbangan air di lokasi pengamatan. IMPENSO sub proyek B kemudian

menformulasikan dua perubahan utama dari keseimbangan air :

1. Secara total terjadi 32 persen pengurangan laju pegisian sungai.

2. Perubahan negatif dari penyimpangan sekitar 40%.


16

Setelah skenario ENSO pertama diaplikasikan, maka akan terlihat ENSO

mempengaruhi anomali curah hujan akan mempengaruhi juga sejumlah laju pengisian

sungai (air permukaaan untuk tujuan irigasi) dan sumber air tanah. Untuk prediksi

skenario ENSO yang tepat, IMPENSO sub proyek B akan bekerjasama dengan simulasi

anomali curah hujan yag telah disediakan oleh sub proyek A

6. Hasil Penemuan Sub Proyek C

6.1 Latar Belakang dan Metodologi

The Intergovernmental Panel on Climate Change (IPCC) mengidentifikasi

pengukuran kuantitatif terhadap kepekaan dan kemampuan menyesuaikan diri manusia

terhadap keragaman iklim sebagai salah satu prioritas utama penelitian berkenaan

dengan kebutuhan pembuatan kebijakan. Sejauh ini, hanya sedikit informasi yang

diketahui tentang dampak ENSO terhadap rumahtangga petani di negara berkembang

dan strategi mereka terhadap peningkatan pendapatan dan mempertahankan konsumsi

selama periode kemarau berlangsung. Oleh karena itu, sub proyek C berusaha

memberikan sumbangan untuk menjawab permasalahan tersebut.

Sub proyek C bertujuan sebagai berikut : (1). Mengkaji strategi respon resiko (ex-

ante dan ex-post) yang dilakukan rumahtangga petani berkenaan dengan kondisi

kekeringan yang disebabkan oleh kejadian ENSO, (2). Mengukur ketahanan

rumahtangga terhadap kekeringan dan (3). Menentukan faktor-faktor yang

mempengaruhi ketahanan rumatangga petani terhadap kekeringan, hal ini nantinya

berkaitan dengan penurunan rekomendasi kebijakan.

Data dikumpulkan dari delapan desa terpilih acak (stratified random sampling) di

sekitar sungai Palu, sebagai kriteria untuk stratifikasi adalah ketinggian desa diatas

ketinggian laut. Di semua desa penelitian diterapkan rapid rural appraisal (RRA) guna

mendapatkan isu apa saja yang dibicarakan oleh petani berkaitan dengan dampak

keragaman iklim. Berdasarkan RRA tersebut, kuesioner untuk 228 responden petani

terpilih acak dibuat, pengambilan data berlangsung dari Oktober 2002 sampai Februari

2003.

Studi menggunakan kerangka pemikiran pengalokasian asset guna keberlanjutan

rumahtangga (an asset-based livelihood framework) untuk menganalisis manajemen

resiko rumahtangga terhadap kekeringan. Terdapat perbedaan antara strategi ex-ante

dan respon ex-post. Strategi ex-ante bertujuan untuk mempersiapkan kemungkinan


kerugian sebelum kejadian kekeringan terjadi dan respon ex-post dilakukan guna

menanggulangi penurunan pendapatan sebagai akibat adanya kejadian kekeringan

(Gambar 9).

Resiko(Kekeringan)

Responterhadap resiko

Ex ante Ex post

Strategi-strategi pencegahan

Strategi-strategi persiapan

Strategi-strategi adaptasi ketika

kekeringan terjadi

→ Tidak dapat diaplikasikan pada tingkat rumah-tangga

Hasil(Tahan terhadap

resiko)

Gambar 9. Konsep Rantai Resiko berkaitan dengan Kejadian Kekeringan, meliputi Strategi Manajemen Resiko Rumahtangga.

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


konsumsi rumahtangga. Rumahtangga dikatakan bertahan jika mereka mampu

mempertahankan tingkat konsumsi selama kemarau berlangsung.

Dengan menggunakan DRI sebagai variabel dependen maka faktor yang

mempengaruhi ketahanan rumahtangga terhadap kekeringan dapat diidentifikasi

menggunakan analisis regresi. Faktor utama yang mempengaruhi ketahanan

rumahtangga terhadap kekeringan dapat dibedakan berdasarkan pada modal alam,

ekonomi dan finansial, manusia dan sosial, sebagai contoh efisiensi teknis petani dapat

dinilai menggunakan ukuran modal manusia (Gambar 13).


Walaupun daerah penelitian berlokasi di daerah hutan hujan tropis tetapi petani di

Sulawesi Tengah mengalami penurunan hasil panen lebih dari sepertiga dari hasil yang

biasa diperoleh. Jika strategi ex-ante dan ex-post tidak dilakukan maka bisa

menyebabkan penurunan pendapatan rumahtangga.

63,8 62,2 61,7 61,244,7

36,8

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Padi sawah(n = 123)

Kelapa (n = 19)

Coklat (n = 69)

Kopi (n = 43)

Pisang (n = 10)

Jagung (n = 24)

Pers

enta

se d

ari p

anen

pad

a si

tuas

i 'no

rmal

'

Gambar 10. Rataan Hasil Panen selama Kemarau relatif ke Tahun Normal di Sulawesi Tengah.

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


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.

2,7

4,3

6,4

8,0

15,4

16,0

20,7

42,6

0 5 10 15 20 25 30 35 40 45

M elibatkan anak-anak dalam menambah penghasilan

M engo lah lahan di lo kasi yang t idak biasa digunakan

M enjual aset

M enanam tanaman yang tahan terhadap kekeringan

M erubah jumlah penggunaan input pada tanaman

M erubah bagian areal lahan tanaman musiman

M eminjam uang

M emanfaatkan tambahan pendapatan lainnya

Persentase rumah-tangga (N=188)

Gambar 11. Strategi Adaptasi yang dilakukan Rumahtangga untuk Menanggulangi Dampak ENSO.

Untuk mengatasi penurunan pendapatan petani akibat ENSO terdapat 62 persen

rumahtangga yang mengurangi pengeluarannya selama kemarau. Semua kebutuhan

dasar rumahtangga mengalami penurunan yakni makanan, pakaian, pemeliharaan dan

perbaikan rumah, aktifitas sosial dan kesehatan.

Pada Gambar 12. terlihat penurunan pengeluaran pada masing-masing kategori,

sebagai contoh, terdapat 85 persen rumahtangga yang mengurangi pengeluaran untuk

makanan selama kemarau dan mereka mengurangi kategori ini sampai 64 persen dari

kondisi normal. Penurunan pengeluaran untuk makanan ini menandakan kejadian

ENSO berdampak serius terhadap ketahanan pangan pada rumahtangga petani di

Sulawesi Tengah.

19


41,4

55,2

78,4

82,8

85,3

54,7

53,0

24,5

41,5

64,3

0 20 40 60 80 1

Kesehatan

Aktivitas sosial

Perumahan

Pakaian

Makanan

Persentase rumah-tangga dan pengeluarannya

0 20 40 60 80

00

100

Persentase rumahtangga yang mengurangi pengeluaran (N=116)Persentase perbandingan pengeluaran pada saat kekeringan dan kondisi normal

Gambar 12. Penurunan Pengeluaran Rumahtangga sebagai Reaksi terhadap Penurunan Pendapatan yang disebabkan Kejadian Kekeringan.

Gambar 13. menunjukkan jumlah asset produktif yang dimiliki rumahtangga

berhubungan positif dengan kemampuan bertahan rumahtangga terhadap kejadian

kekeringan. Asset produktif tersebut bisa dijual pada saat kemarau untuk mendapatkan

uang tunai secara cepat, sehingga nantinya bisa digunakan untuk memenuhi kebutuhan

harian keluarga. Begitu juga dengan akses terhadap kredit berhubungan positif dengan

kemampuan bertahan rumahtangga terhadap kekeringan.

Hipotesis menegaskan bahwa efisiensi teknis pada produksi pertanian mampu

meningkatkan ketahanan, pada tingkat efisiensi yang tinggi meningkatkan cadangan

simpanan dana sehingga nantinya bisa digunakan untuk pengeluaran konsumsi selama

kemarau. Pengukuran efisiensi teknis sebesar 40 persen pada tanaman kakao dan 80

persen pada tanaman padi. Hal ini berarti yang lebih berpontensi terhadap kenaikan

produksi melalui perbaikan manajemen adalah tanaman kakao yang merupakan

tanaman utama di daerah penelitian.

20


Modal ekonomi Modal sosial

Modal sumberdayamanusia

Ketahananterhadap

Kekeringan

• Aset yang mudahdiuangkan (+)

• Akses terhadap kredit (+)

• Kapasitas tenagakerja (+)

• Efisiensi teknik diproduksi pertanian (+)

• Keikutsertaandalam organisasi-organisasi desa (+)

Modal sumberdayaalam

• Tingkat kemiringan (-)

Gambar 13. Faktor yang Mempengaruhi Ketahanan Rumahtangga terhadap Kejadian kekeringan.

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


Gambar 4. menerangkan siklus ketidakmampuan persiapan terhadap kemarau,

ketidakmampuan bertahan terhadap kekeringan, ketidakberlanjutan strategi adapatasi

dan kemiskinan. Panah hitam pada sisi kanan menunjukkan strategi antisipatif yang

dapat dilakukan untuk meningkatkan ketahahan rumahtangga terhadap kekeringan.

Terdapat hubungan yang sejajar antara status kesejahteraan rumahtangga dengan

ketahanan rumahtangga terhadap kekeringan. Pendapatan yang berasal dari hasil

pertanian dapat diperbesar melalui peningkatan manajemen kakao dan mengembangkan

pelayanan lembaga keuangan formal, ini merupakan pengukuran untuk kebijakan yang

akan diambil yang bertujuan untuk memperkuat asset dan kemampuan pertahanan diri

ruimahtangga petani, sehingga mereka memiliki potensi untuk bertahan terhadap

kejadian kekeringan walapun mereka tidak melakuakan strategi persiapan.

Ketidakmampuan bertahan pada

situasi kekeringan

Ketidaksinambungan pilihan strategi adaptasi

Kerusakan aset sumberdaya alam dan

manusia; beban hutang meningkat

Kemiskinan

Ketidakmampuan mengakses

peramalan ENSO

Ketidakmampuan mempersiapkan

strategi

Peningkatan pendapatan dari pertanian melalui perbaikan pengelolaan tanaman

Membentuk lembaga kredit dan tabungan formal

Membentuk lembaga kredit formal

Memperbaiki proses transfer informasi

Memperbaiki keakuratan proses peramalan

Melakukan penelitian secara agronomi dan proses pemasaran khuses pada tanaman yang tahan kekeringan

Gambar 14. Siklus Kemiskinan, Ketidakmampuan Bertahan pada Situasi Kekeringan dan Saran Kebijakan serta Pengukuran Penelitian.

22


23

7. Tindak Lanjut IMPENSO pada Tahun 2005 dan 2006

Dengan keikutsertaan secara aktif dengan para pembuat kebijakan lokal,

IMPENSO bertujuan untuk mendiskusikan dan memberikan saran kebijakan

terhadap pengukuran yang potensial yang sesuai untuk strategi persiapan terhadap

dampak ENSO pada kesejahteraan masyarakat di Propinsi Sulawesi Tengah/

Menyatukan hasil temuan sub proyek A, B dan C untuk kemudian membangun

model linear programming untuk simulasi hasil pada skenario iklim dan

kebijakan yang berbeda

Hasil permodelan akan dipresentasikan dan didiskusikan dengan para pembuat

kebijakan lokal.

Pada akhirnya IMPENSO berharap ikut serta berdialog dengan institusi lokal

untuk membicarakan pengukuran yang konkrit yang dapat diimplementasikan.

Sebagai syarat tindak lanjut dapat dilaksanakan, IMPENSO berusaha bekerjasama

dengan institusi pemerintah dan LSM di Sulawesi Tengah, yang meliputi pelayanan

data meteorologi, manajemen sumber daya air dan alam, pembangunan pertanian dan

penelitian yang terkait.


Pelaksana dan Sumber Dana

IMPENSO merupakan kerjasama antara Universitas Goettingen Jerman, Institut

Pertanian Bogor (IPB) dan Universitas Tadulako Palu (UNTAD). IMPENSO didanai

oleh Kementrian Pendidikan dan Penelitian Jerman (BMBF).

Koresponden

M.Sc. Dodo Gunawan (Sub Proyek A) E-mail: [email protected]

Dipl. Ing. Constanze Leemhuis (Sub Proyek B) E-mail: [email protected]

Dr. Alwin Keil (Sub Proyek C dan koordinator proyek) Goettingen University Institute of Rural Development Waldweg 26 D-37073 Goettingen Germany Telepon: (+49) 551 392214 Fax: (+49) 551 393076 E-mail: [email protected]

Dr. Marhawati Mappatoba (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

mailto:[email protected]



Documents

analisa enso