Kekeringan adalah kekurangan curah hujan dari biasanya atau kondisi normal yang terjadi berkepanjangan sampai mencapai satu musim atau lebih yang akan mengakibatkan ketidakmampuan dalam memenuhi kebutuhan air yang dicanangkan. Kekeringan dibagi kedalam 3 jenis, yaitu: kekeringan meteorologis, kekeringan hidrologi, dan kekeringan pertanian. Keringan meteorologis merupakan kekurangan hujan dari kondisi normal atau diharapkan selama periode tertentu. Kekeringan hidrologi merupakan kekurangan pasokan air permukaaan atau air tanah dalam bentuk air di danau dan waduk, aliran sungai, dan muka air tanah Kekeringan pertanian berhubungan dengan berkurangnya kandungan air dalam tanah (lengas tanah) sehingga tidak mampu lagi memenuhi kebutuhan air bagi tanaman pada suatu periode tertentu. Sementara itu indeks kekeringan merupakan suatu perangkat utama untuk mendeteksi, memantau, dan mengevaluasi kejadian kekeringan. Kekeringan memiliki karakter multidisiplin yang membuat tidak adanya sebuah definisi yang dapat diterima oleh semua pihak di dunia. Salah satu daerah yang sering mengalami kekeringan adalah Provinsi Riau.
Provinsi Riau merupakan salah satu provinsi yang rawan kebakaran di Indonesia yang mengalami kejadian kebakaran hutan dan lahan setiap tahunnya. Kerusakan hutan di Riau merupakan yang paling menjadi sorotan di Indonesia bahkan dunia. Berdasarkan deteksi Satelit NOAA 18 Tahun 2013, terlihat bahwa Provinsi Riau memiliki titik hotspot yang lebih besar dibandingkan provinsi lain di Indonesia. Setiap tahunnya Riau menghasilkan kabut yang disebabkan kebakaran hutan dan lahan. Beberapa studi terdahulu terkait dengan studi kali ini telah dilakukan antara lain oleh Anzar dan Levina Hasil dari penelitian Anzara antara lain analisis spasial indeks kekeringan SPI-1, SPI-3, dan PDSI untuk wilayah Citarum dapat menggambarkan tingkat kekeringan dan sebaran dari kekeringan yang terjadi di setiap daerah dan dapat merepresentasikan luasan kekeringan untuk masing-masing wilayah. PDSI memberikan hasil yang lebih baik untuk mengevaluasi kekeringan yang terjadi jika dibandingkan dengan indeks SPI, berdasarkan hasil komparasi debit. Sementara hasil penelitian Levina menunjukkan bahwa dengan mengoreksi nilai SPI maka rata-rata selisih nilai SPI, RMSE, dan koefisien korelasi jauh lebih baik dibandingkan sebelum dikoreksi dan data satelit TRMM dapat digunakan dalam analisa kekeringan dengan dilakukan koreksi terhadap indeks kekeringannya langsung.
Kebakaran lahan hutan tidak jarang terjadi di Indonesia khususnya wilayah Sumatera dan Kalimantan pada musim kemarau dan peralihan di sekitar bulan Agustus hingga Oktober. Durasi musim kemarau akan semakin lama ketika terjadi anomali iklim seperti kejadian ENSO. ENSO (El Niño-Southern Oscillation) atau yang dikenal dengan El Nino dan La Nina merupakan fenomena alam yang melibatkan fluktuasi suhu permukaan laut di wilayah ekuator Samudera Pasifik, yang dikuti dengan perubahan keadaan di atmosfer. Aktivitas ENSO berpengaruh terhadap variabilitas curah hujan di Indonesia. Terjadinya El Niño menyebabkan musim penghujan datang lebih akhir serta menurunkan total curah hujan. Adapun La Niña merupakan penyebab meningkatnya curah hujan di Indonesia. Selain itu, kehadiran ENSO menyebabkan semakin meluasnya dan memperlama durasi kabut asap akibat kebakaran lahan di Indonesia. Dengan demikian, ENSO diduga turut menurunkan kualitas udara khususnya partikulat halus.
Metode statistik yang digunakan dalam analisis data adalah analisis korelasi. Analisis korelasi merupakan suatu metode yang digunakan untuk mengetahui kuat tidaknya hubungan antara variabel bebas dengan variabel tak bebas yang dinyatakan dalam koefisien korelasi. Koefisien korelasi dalam statistika parametrik yang sering digunakan adalah koefisien korelasi hasil kali Pearson yang dinotasikan dengan r (Vusvitasari et al. 2006). Korelasi pearson sendiri dibuat untuk melakukan uji, seberapa besar kuat hubungan antara data curah hujan dengan nino34.
Analysis of Variance (ANOVA) adalah salah satu metode uji hipotesis dengan membandingkan rata-rata dari lebih dua sampel dalam melakukan pengujian terhadap interaksi antara dua faktor dalam suatu percobaan (Riadi et al. 2021). ANOVA merupakan metode statistik yang sering digunakan untuk menganalisis data dari suatu percobaan yang terancang. Pengujian perubahan unsur-unsur iklim bisa dilakukan dengan menggunakan uji t dan ANOVA untuk mengetahui tren perubahannya. Tujuan menguji data suhu dan curah hujan untuk mengetahui seberapa besar kelayakan data tersebut.
Analisis variasi dan interpolasi spasial dapat dilakukan menggunakan berbagai teknik. Teknik interpolasi pada peta kekeringan wilayah Provinsi Riau pada tahun 2015 menggunakan teknik Spline (tension). Metode interpolasi spline merupakan metode terbaik untuk estimasi nilai rendah dan nilai tinggi yang tidak terdapat pada sampel data (Pasaribu dan Haryani 2012). Metode interpolasi spline merupakan metode yang baik untuk mengestimasi nilai rendah dan tinggi yang tidak terdapat pada sampel data. Permukaan yang dihasilkan pada metode spline ini tepat melewati titik-titik sampel. Kelebihan dari metode spline ini adalah kemampuan untuk menghasilkan akurasi permukaan yang cukup baik walaupun data yang digunakan hanya sedikit (Yulianto et al. 2017).
Gambar 1 Peta kekeringan Provinsi Riau tahun 2015
Peta kekeringan di atas menunjukkan wilayah Provinsi Riau pada tahun 2015 yang dilanda fenomena ENSO dan kebakaran hutan. Warna merah menunjukkan indeks kekeringan yang tinggi dibandingkan dengan warna hijau. Berdasarkan nilai indeks SPI, wilayah terkering memiliki nilai indeks berada di angka -1,48 dan wilayah tidak kering memiliki nilai indeks 2,29. Distribusi wilayah kering dan tidak kering juga berbeda jelas. Wilayah di sepanjang garis pantai dan pulau-pulau kecil termasuk ke dalam wilayah kering. Sedangkan semakin ke tengah dalam pulau Sumatra, tingkat kekeringan berkurang.
Gambar 2 Grafik Oceanic Nino Index (ONI) terhadap suhu udara tahun 1996-2015
Berdasarkan grafik ONI (Oceanic Nino Index) ini dapat terlihat perbandingan index ONI dengan anomali suhu udara. Parameter ONI dapat menunjukkan nilai ENSO dan perubahan anomali suhu permukaan laut. Anomali suhu tersebut dapat berdampak pada intensitas curah hujan di wilayah yang terdampak (Nabilah et al. 2017). El Nino akan terjadi apabila anomali SST melewati angka 0,5 C dan termasuk ke kategori kuat jika melewati angka >1,5 C. Terlihat pada grafik anomali suhu pada tahun 2015 melewati angka 0,5 C artinya terjadi El Nino. Bahkan hampir mendekati angka 1,5 C di bulan November.
Gambar 3 Grafik Oceanic Nino Index (ONI) terhadap curah hujan tahun 1996-2015
Perubahan SST berhubungan dengan variabilitas curah hujan. Menurut Glantz (2001) variabilitas SST mempengaruhi variasi curah hujan di seluruh Indonesia sebanyak 50%. El Nino mendatangkan kekeringan di Indonesia yang ditandai dengan berkurangnya intensitas curah hujan. Anomali curah hujan pada tahun 2015 bergerak fluktuatif tetapi dominan berada di bawah nilai 0. Korelasi indeks ONI dengan curah hujan ini yaitu -0,0175. Korelasi tersebut negatif artinya semakin tinggi indeks ONI maka curah hujan akan menurun.
Dampak fenomena El Nino kuat di Provinsi Riau pada tahun 2015 sangat kuat terutama terhadap kejadian karhutla. El Nino menyebabkan kekeringan karena intensitas curah hujan berkurang. Menurut catata dari Lembaga Penerbangan dan Antariksa (LAPAN) Pulau Sumatera dan Kalimantan kehilangan lahan sebanyak 2,61 juta hektar karena habis terbakar. Kekeringan panjang meningkatkan titik api (hotspot) dan dipersulit dengan defisit air untuk memadamkan api. Selain hilangnya hutan dan lahan, karhutla menghasilkan kabut asap hingga mencapai negara tetangga, Singapura dan Malaysia. Tercatat kebakaran tahun 2015 menjadi karhutla terbesar di Indonesia setelah kejadian karhutla tahun 1997 silam.
Daftar Pustaka
Glantz M. 2001. Currents of Change: Impacts of El Nino and La Nina on Cilmate and Society. Cambridge (UK): Cambridge University Press.
Nabilah F, Prasetyo Y, Sukmono A. 2017. Analisis pengaruh fenomena el nino dan la nina terhadap curah hujan tahun 1998-2016 menggunakan indikator oni (oceanic nino index). Jurnal Geodesi Undip. 6(4): 402-411.
Pasaribu JM, Haryani NS. 2012. Perbandingan teknik interpolasi DEM SRTM dengan Metode Inverse Distance Weighted (IDW), Natural Neighbor dan Spline (Comparison of DEM SRTM Interpolation Techniques Using Inverse Distance Weighted (IDW), Natural Neighbor and Spline Method). Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital. 9(2).
Riadi S, Criswahyudi, Roswandi I, Kurnia TE, FF IR. 2021. Analisa pengaruh penambahan polydon terhadap ketahanan fisik dan perbedaan kualitas supplier polydon di pt x. Jurnal Teknologi. 13(2):179-192. DOI: 10.24853/jurtek.13.2.179-192.
Vustvitasari R, Nugroho S, Akbar S. 2006. Kajian hubungan korelasi Pearson, Spearman-rho, Kendall-Tau, Gamma, dan Somers. Jurnal Statistika. 1(1): 1-15.
Yananto A, Dewi S. 2016. Analisis kejadian el nino tahun 2015 dan pengaruhnya terhadap peningkatan titik api di wilayah sumatera dan kalimantan. Jurnal Sains & Teknologi Modifikasi Cuaca. 17(1): 11-19.
Yulianto T, Sofyan M, Ulfaniyah NI. 2017. Penentuan kadar garam menggunakan metode interpolasi spline di Madura. Zeta-Math Journal. 3(1):27-30
Komentar
Posting Komentar