IV. PENETAPAN WILAYAH CAKUPAN INDEKS UNTUK PENERAPAN ASURANSI IKLIM

Transkripsi

1 IV. PENETAPAN WILAYAH CAKUPAN INDEKS UNTUK PENERAPAN ASURANSI IKLIM 4.1. Pendahuluan Ketersediaan data curah hujan dalam jangka panjang secara runut waktu (time series) sangat diperlukan dalam analisis, demikian juga dengan sebarannya secara spasial. Informasi tentang besaran (jeluk) serta pola curah hujan tidak dapat diketahui apabila di lokasi yang bersangkutan tidak tersedia penakar hujan yang merekam kejadian tersebut secara berkesinambungan. Distribusi stasiun penakar hujan di Indonesia belum merata secara spasial, demikian juga dengan kualitas dan kontinyuitas datanya. Pemasangan penakar hujan masih terkait dengan kepentingan instansi yang menggunakan data tersebut baik untuk kepentingan penelitian ataupun keperluan teknis lainnya seperti irigasi dan sebagainya. Akibatnya ada wilayah tertentu yang cukup rapat sebaran stasiunnya, sebaliknya ada wilayah lain yang sangat jarang sebaran stasiunnya. Akibatnya ada wilayah tertentu yang ada penakar hujannya sehingga bisa merepresentasikan pola hujan setempat, tetapi sebaliknya untuk wilayah yang tidak ada penakar hujannya maka pola hujan pada umunya direpresentasikan oleh stasiun terdekat apabila keadaan topografinya relatif datar. Hasil penelitian Adiningsih (2000) diacu dalam Boer (2008a) menunjukkan bahwa kerapatan jaringan stasiun di Indonesia masih sangat rendah terutama untuk pulau-pulau di luar Pulau Jawa. Pulau Jawa adalah salah satu wilayah di Indonesia dengan kerapatan jaringan stasiun meteorologi tertinggi (Sri Harto 1993). Hingga akhir tahun 1941 terdapat sejumlah 3128 pengukur hujan yang tercatat ada di Pulau Jawa dengan kerapatan 15 km 2 pengukur hujan, namun tidak satupun yang mengumpulkan basis data secara lengkap baik dalam waktu panjang (Sandy 1982 diacu dalam Damayanti 2001). Pada Pulau Jawa sendiri kerapatannya sudah cukup tinggi, yaitu 11.6 artinya untuk setiap 100 km 2 wilayah di Pulau Jawa terdapat sekitar penakar hujan. Pulau yang paling rendah kerapatan stasiunnya adalah Papua (Irian Jaya), yaitu 0.05 stasiun per 100 km 2. Jawa Barat (termasuk DKI Jakarta dan Banten) rata-rata kerapatan stasiunnya sebesar km 2 tiap stasiun (Damayanti 2000). Menurut Damayanti (2001) jumlah stasiun

2 81 hujan di Jawa Barat yang sudah sesuai dengan ketentuan World Meteorological Organization (WMO), namun perlu diperhatikan sebaran dan kualitas datanya. Selain sebaran data secara spasial, masalah lain yang dihadapi adalah kelengkapan data secara runut waktu. Dalam bidang klimatologi misalnya, kelengkapan data curah hujan secara runut waktu dalam jangka panjang sangat diperlukan dalam analisis seperti analisis dampak perubahan iklim dan sebagainya. Tetapi kebutuhan tersebut tidak selalu tersedia seperti yang diinginkan. Seringkali data yang tersedia cukup panjang tetapi tidak lengkap secara runut waktu, atau cukup lengkap tetapi hanya dalam jangka waktu yang relatif pendek atau tersedia secara runut waktu tetapi tidak lengkap secara spasial. Kondisi ini akan menghambat dalam analisis data. Curah hujan merupakan unsur iklim yang sangat besar variasinya baik dari waktu ke waktu maupun dari satu tempat ke tempat yang lain. Oleh karena itu, tinggi rendahnya curah hujan sangat besar pengaruhnya terhadap keragaman hasil. Penggunaan data curah hujan dalam berbagai analisis membutuhkan syarat apakah data tersebut bisa digunakan baik ditinjau dari aspek spasial maupun temporal. Untuk kelengkapan data dari aspek temporal, saat ini telah digunakan dan dikembangkan berbagai metode prediksi data hingga skala waktu yang kecil seperti data harian. Untuk aspek spasial, metode yang dikembangkan masih terbatas. Selama ini permasalahan yang sering dijumpai adalah tidak adanya stasiun hujan yang berada dalam wilayah yang diteliti sehingga harus menggunakan data dari stasiun pewakil. Solusi yang digunakan pada umumnya adalah menggunakan data stasiun terdekat. Artinya data curah hujan dari stasiun yang paling dekat dengan lokasi penelitianlah yang digunakan untuk analisis. Selain itu metode pengelompokkan (clustering), poligon thiessen juga sering digunakan untuk mengatasi masalah keterbatasan data curah hujan secara spasial ini. Penelitian ini menawarkan suatu pendekatan baru yang bisa digunakan untuk mengatasi keterbatasan stasiun hujan, yaitu dengan Fuzzy Similarity (FS). Terkait dengan pengembangan asuransi indeks iklim (Climate Index Insurance), keberadaan stasiun hujan maupun kualitas datanya sangat menentukan dalam penghitungan indeks iklim. Indeks iklim ini digunakan sebagai dasar untuk klaim asuransi. Jadi faktor curah hujan sangat besar peranannya.

3 82 Permasalahannya adalah tidak semua lokasi penelitian memiliki stasiun hujan, atau seandainya ada stasiun hujan tetapi datanya tidak memenuhi syarat sehingga harus menggunakan stasiun terdekat sebagai pewakil. Namun seberapa luas dan wilayah mana saja yang bisa diwakili masih menjadi pertanyaan dan perlu analisis lebih lanjut. Penentuan stasiun pewakil ini menjadi sangat penting ketika dihadapkan pada suatu keadaan dimana data curah hujan tersebut menjadi input yang menentukan dalam suatu pengambilan keputusan seperti dalam penetapan indeks iklim. Oleh karena itu, untuk mengatasi masalah tersebut di atas, penelitian ini mencoba untuk menganalisis hubungan antara stasiun hujan yang digunakan sebagai pewakil (stasiun referensi) dengan stasiun lainnya untuk mengetahui sebaran dan cakupan wilayah yang bisa diwakilinya menggunakan metode Fuzzy Similarity (FS). Metode FS merupakan pendekatan baru dalam bidang aplikasi klimatologi. Terkait dengan periode data yang tidak selalu sama pada setiap stasiun, metode FS tetap dapat diterapkan meskipun panjang datanya berbedabeda pada setiap stasiun. Pendekatan dengan metode FS ini diharapkan juga bisa memberikan solusi bagi masalah keterbatasan stasiun hujan. Tujuan dari penelitian ini adalah : 1) menentukan nilai FS sebagai indikator kemiripan antar stasiun hujan dan 2) menyusun peta cakupan wilayah indeks untuk aplikasi Asuransi Indeks Iklim Metodologi Analisis Kemiripan Data dengan Fuzzy Similarity Penentuan cakupan wilayah indeks pada prinsipnya adalah menentukan kemiripan data hujan suatu stasiun dengan data hujan stasiun referensi untuk aplikasi indeks iklim. Stasiun referensi dipilih berdasarkan lokasi survey dan wawancara dimana indeks iklim dihitung. Dalam penelitian ini, stasiun referensi yang dipilih adalah : Cikedung, Lelea, Terisi dan Kandanghaur. Data yang digunakan adalah data curah hujan bulanan dari 41 stasiun hujan di Kabupaten Indramayu dengan periode Dalam konteks asuransi indeks iklim, jangkaun wilayah indeks menjadi sangat penting. Nilai indeks dari suatu stasiun referensi akan bisa diberlakukan

4 83 untuk suatu stasiun tertentu apabila stasiun tersebut memiliki kemiripan (similarity) dengan stasiun referensi yang dimaksud. Fungsi kemiripan (similarity function) pada prinsipnya adalah membandingkan dua stasiun untuk mengetahui kemiripan datanya. Untuk kemiripan antara dua stasiun (fitur), jarak antara keduanya dapat didefinisikan sebagai perbandingan mengukur (match measure). Pada penelitian ini, metode FS mempelajari pola data berdasarkan sinyal yang terbentuk. Pada prinsipnya setiap sinyal memiliki energi (EN) dan Entropi (ET). Sinyal dikatakan sama jika energi dan entropinya sama atau mirip. Setiap sinyal terdiri dari komponen-komponen sinyal sebanyak k. Untuk melakukan uji kemiripan data curah hujan diperlukan dua tahapan analisis utama, yaitu : penentuan nilai threshold kemiripan data curah hujan dan analisis Fuzzy Similarity (Li and Yao 2005). Tahapan analisis selengkapnya dalam penelitian ini adalah sebagai berikut: 1. Data curah hujan dibuat beberapa frame sesuai dengan periode data yang tersedia. 2. Dilakukan transformasi wavelet sehingga diperoleh koefisien setiap sinyal yaitu d 1, d 2, d 3,..., d K. Energi dari d 1 dinyatakan dengan K i 1 2 d. Sinyal 1 dikatakan sama jika memiliki energi atau entropi yang sama atau mirip. Setiap sinyal merupakan kombinasi dari komponen-komponen sinyal (sebanyak k). 3. Kemudian dihitung entropinya dengan persamaan : ET i j K i 1 Pk, j ln P k, j i dimana P, adalah probabilitas density dari koefisien wavelet pada setiap k j tingkat resolusi j=1,...dst. 4. Dilakukan estimasi densitas (density estimation) menurut metode Kernel (Suryadi 1993), dengan persamaan: d m 1 K. h K h e 1 2 dm dk h dimana : h = 1,15 x simpangan baku dari data stasiun referensi x K

5 84 5. Setelah diperoleh nilai energi (EN) dan entropi (ET), maka selanjutnya dilakukan analisis fuzzy. Tujuan utamanya adalah membuat batasan EN dan ET sebagai patokan dalam menilai kemiripan data. 6. Setelah dilakukan analisis fuzzy akan diperoleh nilai EN dan ET masingmasing untuk nilai terbesar dan terkecil. Untuk setiap nilai EN akan diperoleh fuzzy membership yang berbeda-beda. Sebagai contoh untuk sinyal energi : S 1 = Sinyal 1 EN 1 dengan fuzzy membership (a, b, c, d, e, f) S 2 = Sinyal 2 EN 2 dengan fuzzy membership (g, h, i, j, k, l) dst S T = Sinyal ke-t EN T Untuk sinyal Entropi : S 1 = Sinyal 1 ET 1 dengan fuzzy membership (m, n, o, p, q, r) S 2 = Sinyal 2 ET 2 dengan fuzzy membership (s, t, u, v, w, x) dst S T = Sinyal ke-t ET T Selanjutnya digunakan persamaan : S A, B N i 1 1 dimana N = jumlah energi sinyal atau entropinya. Dalam penelitian ini, N = 2, yaitu berupa energi (EN) dan Entropi (ET). 7. Berdasarkan persamaan tersebut di atas dilakukan penghitungan untuk setiap sinyal. Sebagai contoh : A x i N B x i S S S 1, 2 1 a, b, c, d, e, f g, h, i, j, k, l 1 m, n, o, p, q, r s, t, u, v, w, x dst dengan cara yang sama dihitung untuk S S 1, S3, S S, S, 1 4 S S 1, S5,..., S S1, S T. Jika suatu stasiun yang akan diuji menghasilkan nilai S lebih besar atau sama dengan nilai threshold, maka stasiun tersebut memiliki kemiripan data dengan stasiun referensi.

6 85 8. Cara yang sama seperti tahapan analisis tersebut di atas, diberlakukan untuk setiap stasiun referensi. Nilai FS yang dihasilkan akan memberi gambaran stasiun refensi tersebut lebih mirip ke stasiun yang mana. Keseluruhan nilai FS disajikan dalam tabel antara stasiun yang diuji dengan stasiun referensi, serta dalam bentuk peta cakupan wilayah indeks. Seluruh program tersebut dijalankan dengan Program Matlab. Secara garis besar, tahapan analisis disajikan dalam Gambar 29. Ref. 1 Ref. 2 Ref. 3 Ref. 4 Transformasi diskret wavelet Energi (feature) entropi Fungsi Keanggotaan Gaussian (Fuzziness) Stasiun hujan referensi Present State Fuzzy Similarity Index Deteksi Perbandingan Polanya mirip tidak Tidak bisa digunakan ya Bisa digunakan Gambar 29. Diagram alir analisis Fuzzy Similarity untuk penetapan wilayah cakupan indeks iklim

7 Penyusunan Peta Cakupan Wilayah Indeks Iklim Analisis kemiripan data dengan metode FS menghasilkan nilai mulai dari 0 hingga 1. Penyebaran nilai kemiripan antara seluruh stasiun dengan stasiun referensi selanjutnya di plot dalam peta. Peta administrasi yang digunakan sebagai peta dasar bersumber dari Badan Pusat Statistik (BPS 2010) Hasil dan Pembahasan Dalam konteks asuransi indeks iklim, cakupan wilayah pewakil stasiun hujan diperlukan untuk mengetahui daerah mana saja yang bisa diwakili oleh suatu stasiun referensi dimana data pada stasiun referensi tersebut digunakan untuk menghitung indeks curah hujan. Indeks curah hujan ini digunakan sebagai paramater atau indikator untuk klaim asuransi. Dengan demikian indeks curah hujan yang dihasilkan dari salah satu stasiun referensi bisa digunakan untuk wilayah lain sebagai klaim asuransi dengan catatan wilayah tersebut memiliki kemiripan (similarity) dengan stasiun referensi. Untuk mengetahui tingkat kemiripan antar stasiun hujan dengan stasiun referensi dalam penelitian digunakan metode Fuzzy Similarity (FS). Metode FS pada prinsipnya mempelajari pola (fluktuasi) curah hujan dari suatu stasiun referensi kemudian membandingkannya dengan stasiun lain yang diuji. Stasiun referensi yang digunakan dalam penelitian ini adalah : Cikedung, Lelea, Terisi dan Kandanghaur. Keempat stasiun ini berada pada lokasi survey dan wawancara. Jumlah seluruh stasiun hujan yang dianalisis datanya adalah 41 stasiun yang mencakup 31 kecamatan di seluruh Kabupaten Indramayu. Hasil penelitian menunjukkan bahwa untuk stasiun referensi Cikedung, nilai FS berkisar antara dengan rata-rata Wilayah yang bisa diwakili oleh stasiun Cikedung relatif kecil, hal ini ditunjukkan oleh nilai FS yang sebagian besar kurang dari 0.5 (Gambar 30). Dari 41 stasiun hujan yang dianalisis, sekitar 7.7% nya merupakan stasiun yang bisa diwakili oleh Cikedung. Wilayah yang bisa diwakili oleh stasiun Cikedung adalah stasiun Losarang, Sliyeg dan Jatibarang, dengan nilai FS berturut-turut adalah 0.49, 0.46 dan Untuk memperoleh gambaran fluktuasi curah hujan maka dilakukan ploting antara curah stasiun Cikedung sebagai referensi dengan stasiun Losarang (Gambar 31).

8 87 Wilayah lainnya tidak disarankan menggunakan stasiun referensi Cikedung. Apabila dilihat dari sebaran wilayahnya (Gambar 32), maka wilayah yang agak mirip dengan stasiun Cikedung dengan nilai FS sekitar 0.4 sebagian besar berada di bagian tengah Kabupaten Indramayu. Gambar 30. Penyebaran nilai FS pada setiap stasiun hujan dengan referensi stasiun Cikedung Gambar 31. Fluktuasi curah hujan antara stasiun referensi Cikedung dengan stasiun Losarang

9 88 Gambar 32. Penyebaran wilayah berdasarkan nilai FS dengan stasiun referensi Cikedung Untuk stasiun referensi Lelea, nilai FS antara dengan rata-rata Sebagian besar nilai FS adalah kurang dari 0.4 (Gambar 33). Sekitar 10.3% dari seluruh stasiun di Kabupaten Indramayu yang bisa diwakili oleh stasiun Lelea. Hal ini ditunjukkan oleh nilai FS yang mendekati dan lebih dari 0.5. Wilayah yang bisa diwakili oleh stasiun Lelea antara lain stasiun Bangodua (0.69), Gabus Wetan (0.60), Jatibarang (0.47) dan Krangkeng (0.46). Gambar 34 memperlihatkan contoh fluktuasi curah hujan antara stasiun Lelea sebagai referensi dengan stasiun Bangodua. Berdasarkan peta sebaran kemiripan data stasiun hujan (Gambar 35), maka wilayah yang bisa diwakili oleh stasiun Lelea sebagian besar berada di sebelah Barat Laut dan Tenggara dari Lelea.

10 89 Gambar 33. Penyebaran nilai FS pada setiap stasiun hujan dengan referensi stasiun Lelea Gambar 34. Fluktuasi curah hujan antara stasiun Lelea (Referensi) dengan stasiun Bangodua

11 90 Gambar 35. Penyebaran wilayah berdasarkan nilai FS dengan stasiun referensi Lelea Untuk stasiun referensi Terisi nilai FS sebagian besar lebih dari 0.5 (Gambar 36). Secara keseluruhan nilai FS berkisar mulai dari 0.04 hingga 0.84, dengan rata-rata Wilayah yang bisa diwakili oleh stasiun Terisi cukup luas. Sekitar 53.8% dari seluruh stasiun di Kabupaten Indramayu memiliki kemiripan pola data dengan stasiun Terisi. Stasiun tersebut antara lain : Bongas (0.62), Widasari (0.70), Balongan (0.57), Sukra (0.69), Kroya (0.69), Cantigi (0.77), Arahan (0.70), Gantar (0.70), Sukagumiwang (0.64), Kedokan Bunder (0.74), Patrol (0.84), Pasekan (0.63), Tukdana (0.82), Bugel (0.68), Cigugur (0.49), Wanguk (0.72), Leuweungsemut (0.81), Karangasem (0.83), Cipancuh (0.73), Tamiang (0.54) dan Bantarhuni (0.51). Fluktuasi curah hujan antara stasiun Terisi sebagai referensi dengan stasiun Patrol disajikan dalam Gambar 37. Berdasarkan peta sebarannya (Gambar 38), wilayah yang bisa diwakili oleh stasiun Terisi cukup luas. Sebagian besar berada di sekitar stasiun Terisi mulai dari Haurgeulis, Gantar, Kroya, Cikedung hingga Jatibarang. Sebagian lagi sepanjang pantai utara Jawa mulai dari Sukra, Patrol sampai dengan Balongan.

12 91 Gambar 36. Penyebaran nilai FS pada setiap stasiun hujan dengan referensi stasiun Terisi Gambar 37. Fluktuasi curah hujan antara stasiun Lelea (Referensi) dengan stasiun Bangodua

13 92 Gambar 38. Penyebaran wilayah berdasarkan nilai FS dengan stasiun referensi Terisi Untuk stasiun referensi Kandanghaur, analisis FS secara umum memperlihatkan hasil relatif rendah dibandingkan 3 stasiun referensi lainnya. Hanya satu stasiun yang memiliki nilai FS agak tinggi walaupun masih kurang dari 0.5, yaitu stasiun Kertasemaya dengan nilai FS 0.41 (Gambar 39), sedangkan stasiun lainnya kurang dari Secara keseluruhan, nilai FS antara hingga 0.41, dengan rata-rata Gambar 40 memperlihatkan fluktuasi curah hujan antara stasiun Kandanghaur sebagai referensi dengan stasiun Kertasemaya. Dari peta penyebarannya (Gambar 41) juga terlihat bahwa sangat dominan dengan nilai FS kurang dari 0.4. Keseluruhan hasil analisis dirangkum dalam Tabel 6.

14 93 Gambar 39. Penyebaran nilai FS pada setiap stasiun hujan dengan referensi stasiun Kandanghaur Gambar 40. Fluktuasi curah hujan antara stasiun Kandanghaur (Referensi) dengan stasiun Kertasemaya

15 94 Gambar 41. Penyebaran wilayah berdasarkan nilai FS dengan stasiun referensi Kandanghaur Tabel 6 menyajikan berbagai nilai FS untuk setiap stasiun hujan di Kabupaten Indramayu pada stasiun referensi Cikedung, Lelea, Terisi dan Kandanghaur. Untuk stasiun referensi Cikedung nilai FS tertinggi adalah 0.49 yaitu dengan stasiun Losarang. Untuk stasiun referensi Lelea, nilai FS tertinggi sebesar 0.69 yaitu dengan stasiun Bangodua. Nilai FS sebesar 0.84 merupakan nilai tertinggi untuk stasiun referensi Terisi terhadap stasiun hujan Patrol. Untuk stasiun referensi Kandanghaur, nilai FS tertinggi adalah 0.41 untuk stasiun Kertasemaya. Jarak maksimum atau radius cakupan wilayah yang dapat diterima antara stasiun cuaca referensi dengan area yang diasuransikan adalah km (IFC 2009, Martirez 2009). Topografi wilayah serta karakteristik dan pola hujan menjadi faktor yang penting dalam menentukan radius cakupan wilayah indeks iklim. Perbandingan antara stasiun hujan dilakukan untuk mengetahui pola kemiripan data curah hujan dengan stasiun referensi. Keseluruhan hasil nilai FS yang disajikan dalam Tabel 6 berkisar antara hingga Berdasarkan kisaran nilai FS ini selanjutnya dibagi menjadi 5 kelompok, yaitu : 1) kelompok 1

16 95 untuk nilai FS 0-0.2, 2) kelompok 2 untuk FS , 3) kelompok 3 untuk nilai FS , 4) kelompok 4 untuk nilai FS , dan 5) kelompok 5 untuk FS Perbandingan fluktuasi curah hujan dilakukan dengan mengambil contoh untuk nilai FS terendah dan tertinggi pada setiap kelompok (Gambar 42). Tabel 6. Hasil analisis FS untuk seluruh stasiun di Kabupaten Indramayu REFERENSI No Stasiun Hujan CIKEDUNG LELEA TERISI KD.HAUR 1 Indramayu Sindang Loh Bener Karang Ampel Krangkeng Junti Nyuat Jati Barang Sliyeg Kerta Semaya Bango Dua Losarang Cikedung Lelea Kandang Haur Gabus Wetan Anjatan Haur Geulis Bongas Widasari Balongan Sukra Kroya Cantigi Arahan Gantar Terisi Sukagumiwang Kedokan Bunder Patrol Pasekan Tukdana Bugel Cigugur Wanguk Tulangkacang Lueweungsemut Karangasem Cipancuh Tamiang Bantarhuni Bugis

17 96 Gambar 42. Perbandingan pola curah hujan antara stasiun referensi dengan stasiun hujan pewakil pada setiap kelompok.

18 Simpulan Dalam konteks asuransi indeks iklim, peran stasiun hujan sangat penting sebagai sumber data untuk penentuan indeks hujan. Cakupan wilayah yang bisa diwakili oleh suatu indeks yang ditetapkan berdasarkan metode Fuzzy Similiry (FS) menghasilkan sebaran yang beragam. Pada stasiun referensi Cikedung, nilai FS berkisar antara dengan rata-rata Wilayah yang bisa diwakili oleh stasiun Cikedung adalah sekitar 7.7% dari total 41 stasiun hujan di Kabupaten Indramayu, yaitu Losarang, Sliyeg dan Jatibarang, dengan nilai FS berturut-turut adalah 0.49, 0.46 dan Pada stasiun referensi Lelea, nilai FS antara dengan rata-rata Wilayah yang bisa diwakili sekitar 10.3%, yaitu Bangodua, Gabus Wetan, Jatibarang dan Krangkeng. Pada stasiun referensi Terisi, nilai FS sebagian besar lebih dari 0.5. Nilai FS berkisar 0.04 hingga 0.84, dengan rata-rata Wilayah yang bisa diwakili oleh stasiun Terisi 53.8%, yaitu Bongas, Widasari, Balongan, Sukra, Kroya, Cantigi, Arahan, Gantar, Sukagumiwang, Kedokan Bunder, Patrol, Pasekan, Tukdana, Bugel, Cigugur, Wanguk, Leuweungsemut, Karangasem, Cipancuh, Tamiang dan Bantarhuni. Pada stasiun referensi Kandanghaur nilai FS antara hingga 0.41, dengan rata-rata Wilayah yang bisa diwakili sangat kecil dibandingkan stasiun referensi lainnya, yaitu Kertasemaya.