Pemodelan Dampak Madden Julian Osillation terhadap Kebakaran Hutan dan Lahan di Riau

Abstract

Madden Julian Oscillation (MJO) merupakan fenomena yang berpengaruh terhadap kondisi musim hujan dan kemarau. MJO memiliki efek yang kuat di wilayah Riau. Riau merupakan salah satu daerah rawan kebakaran di Indonesia, seperti peristiwa ekstrem yang terjadi pada tahun 2013 dan 2014. Tujuan penelitian ini yaitu memodelkan dan menganalisis dampak fenomena MJO terhadap kebakaran hutan dan lahan di Riau. Koefisien model ditentukan menggunakan optimasi tanpa kendala dengan memaksimalkan korelasi antara data iklim dan hotspot. Ketika indeks MJO digunakan sebagai fungsi bobot, model yang dibangun berhasil meningkatkan korelasi indikator iklim (hari tanpa hujan dan anomali curah hujan) dengan hotspot. Analisis Heterogenous Correlation Map (HCM) menunjukkan bahwa model 1 (hari tanpa hujan terboboti) lebih berasosiasi dengan hotspot dibandingkan dengan model 2 (anomali curah hujan terboboti). Pada analisis regresi terboboti, performa model 1 cukup baik dalam memprediksi tahun ekstrem (2005, 2013, atau 2014). Namun model 2 gagal dalam memprediksi tahun 2013.

Madden Julian Oscillation (MJO) is a phenomenon that affects the condition of the rainy and dry seasons. MJO has a strong effect in Riau. Riau is one of the fire prone areas in Indonesia, as seen in 2013 and 2014. In that year there were quite a high number of forest and land fires in Riau. This study aims to model and analyze the impact of the MJO phenomenon on forest and land fires in Riau. The model coefficients are determined using an unconstrained optimization by maximizing the correlation between climate data and hotspots. When the MJO index is used as a weight function, the built model is successful in increasing the correlation of climate indicators (dry spell and anomaly precipitation) with hotspots. Heterogenous Correlation Map analysis shows that model 1 (weighted dry spell) is more associated with hotspots than model 2 (weighted anomaly precipitation). In the weighted regression analysis, the performance of model 1 is quite good in predicting extreme years (2005, 2013, or 2014). However, model 2 is failed to predict 2013.