penentuan potensi energi pasut dengan

advertisement
Topik Utama
PENENTUAN POTENSI ENERGI PASUT DENGAN
PEMODELAN ASIMILASI
Evie H. Sudjono1), A. Setiawan2), N. S. Ningsih3), S.Hadi3)
1)
Pusat Penelitan dan Pengembangan Geologi Kelautan
2)
Balai Penelitian dan Observasi Laut, Bali
3)
Institut Teknologi Bandung
[email protected]
SARI
Kendala yang dihadapi pemodelan numerik di Indonesia adalah minimnya data lapangan yang
tersedia. Sebagai contoh, di pantai Timur Pulau Sumatera, Selat Malaka hanya terdapat sedikit
stasiun pasang surut (pasut) dengan durasi rekaman data dalam waktu yang relatif lama. Masalah
ini dapat diatasi dengan menggunakan metoda asimilasi data. Asimilasi data variasional adalah
metode yang mengkombinasikan data terhadap model numerik. Metode ini secara iteratif (dengan
metode Conjugate Gradient Least Square) digunakan untuk meminimumkan selisih antara data
dengan hasil model. Hasil model numerik dengan ukuran sel 9 x 9 km atau 5 x 5 menit, dapat
ditingkatkan dengan menggunakan metode asimilasi data variasional. Perbedaan hasil model tanpa
asimilasi data dengan model menggunakan asimilasi data terlihat terutama terjadi di daerah selat
yang sempit. Hasil model asimilasi komponen M2 menunjukkan hasil yang mirip dengan hasil
penelitian sebelumnya dengan menggunakan ukuran sel yang lebih kecil (terkecil 200 meter dan
terbesar 11 km). Hasil pengolahan model asimilasi lebih lanjut menunjukkan daerah dengan
kecepatan arus pasut untuk komponen pasut M4 yang relatif besar adalah sekitar Tanjung
Pertandangan, Tanjung Medang, dan Tanjung Parit. Daerah-daerah tersebut memperlihatkan potensi
energi arus pasut menjadi energi listrik. Akan tetapi, diperlukan penelitian lebih lanjut untuk
mendapatkan nilai/besaran energi listrik yang dapat dikonversi dari energi arus pasut tersebut.
Kata kunci : asimilasi data, energi arus pasang surut, energi listrik, model numerik, pasang surut
1. LATAR BELAKANG
Salah satu kendala pemodelan numerik di Indonesia adalah sedikitnya data lapangan
dengan durasi waktu rekaman relatif lama yang
dapat digunakan. Hal ini berkaitan dengan
masalah verifikasi dan akurasi model numerik.
Metoda asimilasi data dapat mengatasi
masalah tersebut, yaitu memasukkan data hasil
pengamatan di lapangan (yang relatif tidak
banyak) terhadap hasil model. Sebagai daerah
penelitian dipilih Selat Malaka, koordinat 97o -
105,5o BT dan -1o LS - 7o LU. Terdapat sekitar
tiga stasiun pasang surut (pasut) di sekitar
pantai Timur Sumatera, Indonesia yang memiliki
data komponen pasut perairan dangkal yang
dapat digunakan (Gambar 1). Satu data dari
stasiun (Belawan) digunakan untuk asimilasi
data dan dua data (sekitar Bagan Siapi-api dan
Pulau Karimun Besar) digunakan untuk verifikasi.
Sedangkan di sekitar pantai Barat Malaysia
digunakan empat stasiun pasut (Lumut, Kelang,
Keling, dan Tanjong Pagar) untuk asimilasi data.
Penentuan Potensi Energi Pasut Dengan Pemodelan Asimilasi ; Evie HS, A. Setiawan, NS Ningsih, S.Hadi
51
Topik Utama
Gambar 1. Lokasi daerah penelitian Selat Malaka dalam kotak merah.
Bintang: lokasi stasiun untuk asimilasi. Lingkaran: lokasi stasiun untuk
verifikasi. (www.moresatsea.com).
Tujuan penelitian ini adalah:
a. Meningkatkan ketelitian hasil model tanpa
asimilasi
b. Menentukan daerah potensi energi arus
pasut sebagai sumber energi listrik
2. KAJIAN PUSTAKA
Secara umum, teknik asimilasi data variasional
telah dikembangkan dan diterapkan dalam
bidang meteorologi, geofisika, dan oseanografi
(Talagrand dan Coutier, 1987; Setiawan, 2007;
Dobricic dan Pinardi, 2008). Zahel (1991) dalam
Setiawan (2007)) telah menerapkan metoda
asimilasi data variasional untuk komponen pasut
M2 di laut dunia dengan ukuran sel 4o dan telah
menguji metode tersebut dengan menggunakan
model spektral dan integral konvolusi. Metode
asimilasi data variasional tersebut kemudian
dikembangkan dan telah diterapkan di Laut
Irlandia dan Seltik untuk komponen M2, S2, dan
52
beberapa komponen pasut perairan dangkal
(Setiawan, 2007). Di daerah Selat Malaka ini,
belum pernah dilakukan penelitian dengan
menerapkan metode asimilasi data variasional.
Hadi (2006) telah melakukan penelitian potensi
energi listrik dari energi arus pasut di Perairan
Indonesia, termasuk Selat Malaka. Simulasi pola
arus diperoleh dari model hidrodinamika tiga
dimensi dengan menggunakan the Princeton
Ocean Model (POM). Model ini dikembangkan
oleh Blumberg dan Mellor (1977). Daerah yang
memiliki potensi dari hasil model ini adalah
sebagian Selat Malaka, Laut Jawa, Selat
Makassar bagian selatan, Selat Lombok, dan
perairan diantara Kepulauan Lesser Sunda
(Gambar 2).
3. METODE PENELITIAN
Metode yang digunakan dalam penelitian ini
adalah dengan menggunakan model numerik
M&E, Vol. 11, No. 3, September 2013
Topik Utama
Gambar 2 . Pola arus laut Perairan Indonesia (Hadi, 2006).
dua dimensi tak linier yang dikombinasikan
dengan teknik asimilasi data. Model dua dimensi
tak linier ini berdasarkan persamaan momentum (gerak) dan persamaan kontinuitas
(kekekalan massa) (Rincian persamaan dapat
dilihat pada Setiawan, 2007). Sedangkan untuk
data batimetri diperoleh dari GEBCO (2003).
Nilai amplitudo dan fase di batas terbuka
diperoleh dari Padman dan Erofeeva (2005).
•
Asimilasi Data
Metoda yang digunakan dalam penelitian ini
adalah dengan menggunakan model numerik
dua dimensi tak linier yang dikombinasikan
dengan teknik asimilasi data. Model dua dimensi
tak linier ini berdasarkan persamaan momentum (gerak) dan persamaan kontinuitas
(kekekalan massa) (Rincian persamaan dapat
dilihat pada Setiawan, 2007). Sedangkan untuk
data batimetri diperoleh dari GEBCO (2003).
Nilai amplitudo dan fase di batas terbuka
diperoleh dari Padman dan Erofeeva (2005).
Asimilasi data merupakan suatu metodologi
yang dapat mengoptimalkan hasil model
numerik dengan mengkombinasikan atau
mengasimilasikan informasi data pengamatan
(Hasselmann dan Komen, 1994; MalanotteRizzoli dan Tziperman, 1996; Torre, 1999;
Bouttier dan Courtier, 1999; Gratton dkk., 2006;
Setiawan, 2007). Berbagai jenis metode asimilasi
data telah dikembangkan untuk meminimalkan
selisih antara model dengan data observasi.
Cara yang ditempuh adalah dengan melakukan
analisis suatu nilai x yang akan dicari solusinya
melalui minimization cost function J(x)
(Hasselmann dkk., 1994). Metode ini telah
banyak digunakan untuk menyelesaikan masalah
global dalam bidang meteorologi dan oseanografi
(Rabier dan Liu, 2004 dalam Setiawan, 2007).
Metode iteratif least square digunakan dalam
proses minimization cost function dengan
prosedur perhitungan diuraikan pada bagian
selanjutnya (Setiawan, 2007).
Kumpulan data dapat dituliskan dalam bentuk
standar umum, yaitu:
......... (1)
dan selanjutnya model dinamik dengan initial/
boundary condition yang tepat dapat dituliskan
dalam bentuk:
Penentuan Potensi Energi Pasut Dengan Pemodelan Asimilasi ; Evie HS, A. Setiawan, NS Ningsih, S.Hadi
53
Topik Utama
M alay s ia
M a l a y s ia
S u m a te r a
S u m atera
Gambar 4e. Corange M6 hasil model
forward (m).
Gambar 4f. Cophase M6 hasil model
forward (o).
M alay sia
S u m a te ra
Gambar 5a. Corange M4 hasil model
asimilasi (m).
Hasil tersebut dapat ditingkatkan akurasinya
dengan menerapkan teknik asimilasi data yang
dapat dilihat pada Gambar 3a, 3b, 5a-5d.
56
Gambar 5b. Cophase M4 hasil model
asimilasi (o).
M&E, Vol. 11, No. 3, September 2013
Topik Utama
M alay s ia
M a la ys i a
S u m a t e ra
S u m a te r a
Gambar 5c. Corange M6 hasil model
asimilasi (m).
S elain itu, dari perbandingan hasil model
asimilasi dengan data Wyrtki (1961) untuk
komponen M2 diperoleh hasil yang cukup baik
(Gambar 6). Begitu pula ketika hasil
(a)
Gambar 5d. Cophase M6 hasil model
asimilasi (o).
model asimilasi dibandingkan dengan data
Dishidros (1995) untuk komponen M4, telihat
hasil model asimilasi lebih mendekati data
(Gambar 7 dan Tabel 1).
(b)
Gambar 6. Perbandingan hasil model asimilasi dengan data Wyrtki (1961) untuk komponen
M2: (a) amplitudo (m); (b) fase (der).
Penentuan Potensi Energi Pasut Dengan Pemodelan Asimilasi ; Evie HS, A. Setiawan, NS Ningsih, S.Hadi
57
Topik Utama
(a)
(b)
Gambar 7. Perbandingan hasil model dengan dan tanpa asimilasi data dengan data
(Dishidros, 1955) untuk komponen M4 di Stasiun Bagan Siapi-api dan
Karimun Besar: (a) amplitudo (m); dan (b) fase (der).
Terlihat dari Gambar 7 bahwa hasil model
asimilasi dibandingkan dengan dua data dari
stasiun Bagan Siapi-api dan Karimun Besar.
Nilai hasil model asimilasi khususnya untuk
amplitudo memperlihatkan hasil yang lebih
mendekati data dibandingkan dengan nilai
model forward. Sedangkan untuk fase pada
Stasiun Bagan Siapi-api nilai model forward
terlihat lebih mendekati data. Hal ini diperkirakan
akibat nilai adalah sebesar
= 0,025.
Kemungkinan hasil fase akan lebih baik jika nilai
mencapai 10-8. Nilai kesalahan untuk
amplitudo dari sebesar 0,33 menjadi hanya 0,02
setelah diterapkan metode asimilasi data
variasional. Begitu pula untuk fase terjadi
penurunan kesalahan (dari 0,27 menjadi 0,21).
Hasil pengolahan data untuk komponen pasang
surut perairan dangkal M 4 memperlihatkan
bahwa daerah-daerah yang memiliki kecepatan
rata-rata cukup besar adalah sekitar daerah
Tanjung Balai - Sungai Besar (0,27 m/s), timur
Bagan Siapi-api/Tanjung Medang, Rupat tenggara Port Dickson (0,22 m/s), dan barat
laut Tanjung Parit - barat laut Batu Pahat
58
(0,43 m/s), serta Tanjung Parit - Batu Pahat
(0,25 m/s) (Gambar 8 dan Tabel 2). Daerah yang
memiliki nilai kecepatan rata-rata terbesar adalah
di sekitar barat laut Tanjung Parit - barat laut Batu
Pahat. Pengaruh morfologi selat (penyempitan
selat) jelas terlihat pada peningkatan kecepatan
arus.Tanjung Balai dan Tanjung Parit merupakan
daerah selat yang menyempit. Daerah ini
memiliki potensi energi arus pasang surut untuk
dikembangkan menjadi energi listrik karena hasil
model menunjukkan nilai kecepatan arus ratarata yang diperoleh cukup besar yaitu 0,27 m/s
dan 0,43 m/s. Kecepatan arus maksimum
mendekati nilai 0,5 m/s. Dari hasil beberapa
penelitian sebelumnya diperoleh bahwa hasil
model di Perairan Indonesia relatif lebih kecil dari
hasil pengukuran arus di lapangan (Lubis dkk,
2010).Tentu saja, diperlukan penelitian lebih rinci
untuk mendapatkan nilai potensi rapat daya dari
kecepatan arus laut. Termasuk pengukuran
lapangan data pasang surut dan kecepatan arus
yang mewakili musim barat, timur, peralihan 1,
dan peralihan 2 pada satu tahun.
M&E, Vol. 11, No. 3, September 2013
Topik Utama
Tabel 1. Perbandingan hasil model dengan dan tanpa asimilasi dengan
data (Dishidros, 1995) untuk komponen M4: (a) amplitudo (m);
dan (b) fase (der).
(a) Amplitudo (m)
Amplitudo M4 (m)
Data Dishidros,
No
Stasiun
Model Asimilasi Model Forward
1995
1. Bagan Siapi-api
0,13
0,12
0,11
2. Karimun Besar
0,04
0,04
0,01
Kesalahan
0,02
0,33
(b) Fase (der)
Fase M4 ( o )
Data Dishidros,
No
Stasiun
Model Asimilasi Model Forward
1995
1. Bagan Siapi-api
208,186
196,18
305,55
2. Karimun Besar
251,538
193,54
320,01
Kesalahan
0,21
0,27
Gambar 8. Variasi kecepatan rata-rata (m/s) terhadap kedalaman (m) di Stasiun
Belawan hingga Pulau Rangsang.
Penentuan Potensi Energi Pasut Dengan Pemodelan Asimilasi ; Evie HS, A. Setiawan, NS Ningsih, S.Hadi
59
Topik Utama
Tabel 2. Dimensi luas, lebar, kedalaman rata-rata, amplitudo, dan kecepatan
rata-rata di sekitar Belawan - Pulau Rangsang
No
1.
2.
Penampang
Belawan - barat laut
Lumut
Tanjung Balai
- Sungai Besar
Luas
(m2)
Lebar Kedalaman
(m) rata-rata (m)
Amplitudo Kecepatan
rata-rata
M4
(m)
(m/s)
10.666,40
215
49,6
0,13
0,10
2.423,10
123
19,7
0,15
0,27
3.504,73
122
28,7
0,12
0,12
0,22
3.
Tanjung Pertandangan
- atas Pel. Kelang
4.
Timur Bagan Siapiapi/Tanjung Medang,
Rupat - tenggara Port
Dickson
Barat laut Tanjung
Parit - barat laut Batu
Pahat
Tanjung Parit - Batu
Pahat
Merbau - tenggara
Batu Pahat
1.812,50
125
14,5
0,24
504,00
42
12,0
0,08
286,00
44
6,5
0,09
0,25
1.546,67
80
19,0
0,09
0,05
Rangsang - Johor Baru
1.440,00
60
24,0
0,09
0,03
5.
6.
7.
8.
Mengingat komponen M 4 merupakan hasil
interaksi dari komponen pasut utama M2, dapat
diprediksi bahwa nilai kecepatan arus untuk
komponen M2 akan lebih besar dari kecepatan
arus komponen M4. Begitu pula, kecepatan arus
total yang merupakan gabungan dari berbagai
komponen pasut, akan menjadi lebih besar.
0,43
pengukuran langsung. Penelitian selanjutnya
akan dapat difokuskan pada daerah potensi yang
lebih sempit sebagai hasil dari model asimilasi.
Daerah potensi energi arus pasut dengan
penelitian yang terencana dan berkelanjutan
dapat dikembangkan untuk memperoleh energi
listrik tenaga arus pasut, khususnya listrik bagi
masyarakat pesisir.
5. MANFAAT
6. KEUNGGULAN
Metode ini dapat diaplikasikan untuk mengetahui
daerah potensi energi arus pasut pada suatu
daerah penelitian regional. Hal ini dapat diketahui
dengan lebih cepat dan lebih murah jika dibandingkan dengan menggunakan metode
60
Menggunakan metode asimilasi data dapat
memperoleh hasil model numerik yang lebih baik
dibandingkan dengan model tanpa asimilasi
data. Disamping itu, dalam proses numerik relatif
M&E, Vol. 11, No. 3, September 2013
Topik Utama
menggunakan memori komputer yang tidak
terlalu besar. Untuk kasus Selat Malaka dengan
ukuran sel 104x98 dengan menggunakan program Fortran under Linux (Red hat enterprise)
diperlukan memori selama dan sesudah proses
perhitungan numerik adalah sekitar sebesar 3
GigaByte pada komputer high performance computing (hpc) di ITB. Sedangkan untuk hasil model
asimilasi data yang menggunakan ukuran sel
9x9 km diperoleh hasil yang mendekati model
dengan ukuran sel 200 m.
7. KESIMPULAN
Model asimilasi data variasional sebagai salah
satu solusi kurangnya data pengamatan secara
kualitatif dan kuantitatif dalam pemodelan
numerik. Metode ini dapat digunakan untuk
memperoleh daerah potensi energi arus pasut
dari suatu daerah regional. Daerah potensi arus
pasut yang diperoleh dari hasil simulasi adalah
sekitar daerah Tanjung Balai - Sungai Besar dan
sekitar Barat Laut - Barat Laut Batu Pahat. Studi
lebih lanjut termasuk pengukuran data lapangan
yang mewakili musim diperlukan untuk lebih
memahami karakteristik pola arus pasut di
sekitar daerah ini.
DAFTAR PUSTAKA
Dishidros, 1995, Daftar Pasang Surut
Kepulauan Indonesia. Jakarta.
Hasselmann, S. dan Komen, G. J. 1994, General
Features of Data Assimilation and Inverse
Modeling, 405-410 dalam Komen, G. J.,
Cavaleri, L., Donelan, M., Hasselmann, K.,
Hasselmann, S., dan Janssen, P. A. E. M.,
Dynamics and Modeling of Ocean Waves,
522 p., Cambridge University Press,
Melbourne, Australia.
Hasselmann, S., Komen, G. J., Hasselmann,
K, 1994, The General Minimization Problem,
410-420 dalam Komen, G. J., Cavaleri, L.,
Donelan, M., Hasselmann, K., Hasselmann, S.,
dan Janssen, P. A. E. M., Dynamics and
Modeling of Ocean Waves, 522 p.,
Cambridge University Press, Melbourne,
Australia.
Lubis, S., Sudjono, E.H., Yuningsih, A., dan
Rachmat, B, 2010, Prospek Energi Arus
Laut di Perairan Indonesia, Balitbang ESDM.
Hadi, S, 2006, Studi dan Pemetaan Potensi
Energi Bayu dan Arus Laut untuk
Pembangkit Listrik Ramah Lingkungan di
Indonesia. Laporan Akhir Riset Unggulan,
LP3M ITB, Bandung.
Wyrtki, K, 1961, Scientific Results of Marine
Investigations of the South China Sea and
the Gulf of Thailand 1959-1961. Naga Report
vol. 2. The University of California Scripps
Institution of Oceanography La Jolla,
California.
Bakosurtanal, 2011, Harmonik Belawan, http://
www.bakosurtanal.go.id. Diunduh pada 5
Agustus 2012.
Bouttier, F. dan Courtier, P, 1999, Data
Assimilation: Concepts and Methods. http://
www.ecmwf.org/newsevents/training/
rcourse. Diunduh pada 5 September 2011.
García, G. C., Osses, A., Puel, J. P, 2010, A Null
Controllability Data Assimilation Methodology
Applied to A Large Scale Ocean Circulation
Model, http://academic. research.microsoft.com/
Author/4096051/galina-c-garcia. Diunduh pada
9 Juli 2012.
GEBCO: IOC, IHO, BOCD, 2003, The General
Bathymetric Chart of the Ocean, http://
www.gebco.net/. Diunduh pada 16 Oktober
2010.
Gratton, S., Arioli, M., Sartenaer, A., Tshimanga,
J., Toint, P. L, 2006, Optimization methods
for variational data assimilation, Optimization
and Engineering, Leuven, May 24.
www.cerfacs.fr/files/cerfacs/
scientific_report/sr0809.pdf. Diunduh pada
9 Juli 2012.
Penentuan Potensi Energi Pasut Dengan Pemodelan Asimilasi ; Evie HS, A. Setiawan, NS Ningsih, S.Hadi
61
Topik Utama
Malanotte-Rizzoli, P., and Tziperman, E., 1996,
Modern Approaches to Data Assimilation
in Ocean Modeling. p.3-17. http://
books.google.co.id/books/. Diunduh pada 15
Juli 2012.
Paige, C. C., dan Saunders, M., 1982, LSQR:
An algorithm for sparse linear equations and
sparse least square. www.mendeley.com/
research/lsqr-an-algorithm-for-sparse.
Diunduh pada 23 Juli 2012.
Nodet, M., 2008, Variational assimilation of
Lagrangian data in Oceanography. http://
arxiv.org/pdf/0804.1137.pdf. Diunduh pada
15 Februari 2010.
van Breemen, M, 2008, Salt intrusion in the
Selangor Estuary in Malaysia, Model study
with Delft3D. http://www.utwente.nl/ctw/wem/
education/afstuderen/afstudeerverslagen/
2008 /breemen.pdf. Diunduh pada 22 Juli
2012.
Padman L. dan Erofeeva, S, 2005, Tidal Model
Driver (TMD) Manual. www.esr.org/
polar_tide_models/README_TMD.pdf.
Diunduh pada 16 Desember 2010.
62
www.moresatsea.com
M&E, Vol. 11, No. 3, September 2013
Download