akhnanto kuntadi: DESA WISATA ARJOWINANGUN KABUPATEN KEBUMEN JAWA TE...

akhnanto kuntadi: DESA WISATA ARJOWINANGUN KABUPATEN KEBUMEN JAWA TE...: "this is my village is so beautifull large rice field and soo green and very good ya ini lah desa saya ;namanya adalah desa Arjowinangun kec...."

arjowinangun buluspesantren

woi idah bnget kan desa arjowinangun ku  kunjungi yawwwww

New Seven Tools : Part 1

Udah ga asing kan dengan istilah the 7 tools? The 7 tools merupakan alat bantu yang digunakan untuk memetakan permasalahan, mengorganisasikan data agar lebih mudah dipahami, serta menelusuri berbagai kemungkinan penyebab permasalahan. Nah, ternyata selain basic seven tools, ada juga the new 7 tools. Mari kita mengenal the new 7 tools lebih dekat!

New 7 tools atau dikenal juga dengan 7 management tools mulai diperkenalkan sekitar tahun 1970-an. Tujuan awalnya adalah untuk mengembangkan teknik-teknik pengendalian kualitas dengan menggunakan pendekatan desain. New 7 tools ini dikembangkan untuk dapat mengorganisasikan data-data verbal secara terstruktur. Berbeda dengan basic 7 tools yang digunakan untuk mengorganisasikan data numerik. Penggunaan new 7 tools ini tidak bertentangan dengan basic 7 tools, melainkan saling mendukung.

Sumber: Nayatani, Y., The Seven New QC Tools (Tokyo, Japan, 3A Corporation, 1984)

Untuk part 1 kali ini akan dibahas new 7 tools yang pertama yaitu “affinity diagram”.
Affinity diagram atau disebut juga metode KJ (sesuai dengan penemunya, Kawakita Jiro) digunakan untuk mengumpulkan data verbal yang berjumlah banyak/kompleks (ide, pendapat, masalah) dan mengelompokkannya ke dalam grup-grup sesuai dengan hubungan natural-nya. Tujuan dari pengelompokkan tersebut adalah untuk membantu identifikasi pola di dalam data. Pengelompokkan tersebut akan diberi peringkat dan permasalahan yang sama akan digabungkan untuk mempermudah proses pinpointing (menentukan dengan akurat) masalah yang terjadi sebenarnya.

Dasar dari affinity diagram ini adalah brainstorming. Umumnya digunakan media berupa post-it notes.

Affinity diagram pada umumnya digunakan jika permasalahan yang terjadi sangat kompleks, tidak menentu, dan sulit dimengerti sehingga membutuhkan keterlibatan semua pihak dalam organisasi (perusahaan), termasuk pekerja.

Berikut ini merupakan contoh dari affinity diagram:

Sumber : http://www.baran-systems.com,     http://www.npd-solutions.com

Keuntungan dari affinity diagram di antaranya adalah:

• Menstimulasi ide-ide baru
• Memungkinkan masalah dapat ditentukan dengan akurat
• Memastikan setiap orang meenyadari akan adanya permasalahan
• Menggabungkan semua ide dari berbagai tingkatan anggota organisasi (perusahaan)
• Meningkatkan kesadaran anggota organisasi (perusahaan) akan adanya masalah

Referensi:
Diaz, Christopher. The New 7 Q.C. Tools (A Training Presentation on the N7).
http://sixsigmaindonesia.com/blog-ina/?p=41

ppc

1. Pengertian LOT SIZING

Pada m MRP, dapat diketahui saat pemesanan material yang harus dilakukan. Namun dalam kenyataannya, saat melakukan pemesanan terdapat beberapa batasan yang perlu diperhatikan bekaitan dengan manajemen pemesanan.

Sebagai contoh, sebuah vendor menetapkan bahwa pemesanan hanya dapat dilakukan per pack yang berisi 10 material, dan perusahaan membutuhkan 15 unit material, maka perusahaan harus memesan material sebanyak 2 pack. Ukuran pack yang harus dipesan disebut lot (satuan pembulatan). Contoh lain, perusahaan akan memesan material sebanyak 18 unit, akan tetapi alat tranportasi hanya mampu mengangkut material sebanyak 10 unit. Maka perusahaan harus melakukan pemesanan sebanyak dua kali lot. Teknik pemesanan seperti ini bertujuan untuk meminimasi biaya pemesanan dan biaya simpan dari material. Dan teknik pemesanan ini dinamakan lot sizing.

Dalam perhitungan lot sizing, tersedia berbagai teknik yang terbagi dalam dua kelompok besar, yaitu model lot sizing dinamis dan statis. Penggunaannya tergantung dari kondisi permintaan / pengorderan (planned order release). Bila permintaan bersifat konstan maka model lot sizing statis yang digunakan. Namun apabila permintaan bersifat lumpy, maka model lot sizing dinamis yang harus digunakan.

Untuk menguji apakah permintaan bersifat kontinyu ataukah lumpy, salah seorang ahli mengemukakan sebuah aturan dengan menggunakan pengukuran variasi sebagai dasar penentuan jenis permintaan dengan formulasi sebagai berikut : V=((n) /

Bila V <>lot sizing statis EOQ (Economic Order Quantity), FOQ (Fixed Order Quantity) dan FOI (Fixed Order Interval) dengan permintaan rata-rata (D) sebagai pendekatan terhadap permintaan, lebih tepat dipergunakan. Sedang bila V > 0.25 maka permintaan dianggap lumpy, dan model lot sizing dinamis lebih tepat dipergunakan.

Selengkapnya di sini... 

Keakuratan dan Kontrol Peramalan

Jika beberapa model peramalan cocok untuk kondisi tertentu maka perlu ditentukan model mana yang lebih baik (tidak bias) atau hanya terdapat satu model yang cocok, maka perlu model lain sebagai pembanding untuk melihat keefektifan model tersebut. Proses ini disebut dengan kesalahan peramalan.

Ada dua aspek ukuran keakuratan peramalan yang memiliki nilai signifikansi yang potensial pada saat dilakukan teknik peramalan. Pertama performansi kesalahan historis peramalan, dan kedua kemampuan peramalan untuk menanggapi adanya perubahan. Dua nilai keakuratan yang umum untuk menghitung jumlah kesalahan historis adalah MAD (mean absolute deviation) dan MSD (mean square deviation).

Formula yang digunakan adalah :

MAD = Σ ( Actual – forecast ) / n

MSD = Σ ( Actual – forecast )² / n

Pengontrolan peramalan dapat dilakukan dengan menggunakan tracking signal atau peta control.

Pendekatan tracking signal memusatkan pada rasio anatra komulatif kesalahan peramalan dengan nilai MAD :

TS = Σ ( Actual – forecast ) / MAD

Teknik – Teknik Peramalan

1. Simple Average

Metode simple average merupakan metode yang sesuai digunakan jika data yang tersedia tidak mengandung unsur trend dan faktor musiman.

Secara sederhana metode ini menghitung rataan dari data yang tersedia sejumlah n, mengikuti persamaan berukut :

F_i+1 = ∑ A_t / N

Dimana, F_i+1 : peramalan untuk periode ke i + 1

A_t : nilai aktual tahun ke – 1

N : banyaknya data

2. Moving Average

Peramalan dengan teknik moving average melakukan perhitungan terhadap nilai data yang paling baru sedangkan data yang lama akan dihapus. Nilai rata-rata dihitung berdasarkan jumlah data yang angka rata-rata bergeraknya ditentukan dari harga I sampai N data yang dimiliki. Peramalan dengan teknik moving average dapat dihitung menggunakan persamaan berikut :

MA_n = ∑ A_t / n

Dimana, i : banyak data

n : angka periode rata-rata bergerak

A_t : nilai actual tahun ke – 1

3. Weight Moving Average

Metode ini mirip dengan metode moving average, hanya saja diperlukan pembobotan untuk data paling baru dari deret berkala. Sebagai contoh data yang paling baru ditentukan bobotnya sebesar 0.4, dan terbaru berikutnya berbobot 0.3, kemudian berturut-turut 0.2 dan terakhir 0.1. dan perlu diingat bahwajumlah bobot yang diberikan harus sama dengan 1.00. dan bobot terberat diberikan pada data yang terbaru.

4. Centered Moving Average

Perhitungan yang digunakan pada metode ini sama dengan metode moving average. Hanya saja hasil perhitungannya diletakkan pada pertengahan periode yang digunakan untuk menghitung nilai rata-ratanya.

5. Eksponential Smoothing

Metode ini menggunakan prinsip yang sama dengan teknik moving average, hanya saja eksponensial smoothing memerlukan perhitungan yang lebih sedikit, tidak memerlukan data historis dalam jangka waktu yang lama melainkan hanya data terbaru yang dipakai untuk menghitung peramalannya.

Karakteristik smoothing dikendalikan dengan menggunakan faktor smoothing α, yang bernilai antara 0 sampai dengan 1. Fungsi faktor ini adalah untuk memberikan penekanan yang lebih terhadap data yang paling baru. Setiap peramalan yang baru berdasarkan pada hasil peramalan sebelumnya ditambah dengan suatu prosentase perbedaan antara peramalan dengan nilai actualnya pada saat tersebut. Dengan demikian :

F_t = F_t-1 + α ( A_t-1 – F_t-1 )

Dimana,

F_{t :} Peramalan periode ke-t

F_{t-1 :} Peramalan periode ke t-1

α : Konstanta smoothing

A_{t-1 :} Permintaan aktual atau penjualan untuk periode ke t-1

6. Winter’s

Metode winter’s merupakan metode peramalan yang sering dipilih untuk menangani data permintaan yang mengandung baik variasi musiman maupun unsur trend. Metode ini mengolah tiga asumsi untuk modelnya : unsur konstan, unsur trend dan unsur musiman.

Ketiga komponen diatas secara kontinyu diperbarui menggunakan konstanta smoothing yang diterapkan pada data terbaru dan estimasi yang paling akhir.

Metode winter’s menggunakan model Trend Hold, yang dimulai dengan estimasi trend yang biasa :

T_t = β ( F_t – F_t-1 ) + ( 1 – β ) T_t-1

Dimana : T_t : estimasi nilai trend pada periode t

β : konstanta smoothing unsur trend

F_t : rata-rata eksponensial pada periode t

7. Single Eksponential Smoothing

Peramalan single eksponensial smoothing dihitung berdasarkan hasil peramalan ditambah dengan peramalan periode sebelumnya. Jadi, kesalahan peramalan sebelumnya digunakan untuk mengoreksi peramalan berikutnya.

Persamaannya adalah :

F_t = αA_t + ( 1-α ) F ( t-1 )

8. Eksponential Smoothing With Linear Trend

Persamaannya adalah :

F_t = αA_t + ( 1-α ) F ( t-1 ) + T ( t-1 )

Pendekatan Teknik Peramalan

1.Pendekatan Kuantitatif
Pendekatan kuantitatif meliputi metode deret berkala (time series) dan metode kausal. Metode deret berkala merupakan data masa lalu untuk memprediksi data yang akan datang. Sedangkan metode kausal mengasumsikan faktor yang diramal memiliki hubungan sebab akibat terhadap beberapa variabel independen.
Pendekatan kuantitatif dapat diterapkan dengan syarat :
1. Tersedia informasi masa lalu
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik.
Peramalan berdasarkan data deret berkala
Deret berkala adalah suatu urutan waktu observasi yang diambil pada interfal waktu tertentu. Analisis terhadap deret berkala dilakukan untuk mengidentifikasi perilaku dasar dari deret tersebut. Jenis pola data yang umum dapat dilihat pada gambar 2.1 di bawah ini :

1.Pola Data Horisontal
2.Pola Data Musiman

3.Pola Data Siklus
4.Pola Data Tren


2.Pendekatan Kualitatif
Pendekatan kualitatif digunakan pada saat tidak tesedia sedikitpun data historis. Peramalan ini paling sesuai digunakan dalam perencanaan penjualan produk baru. Metode yang digunakan adalah metode delphi.

Pengetahuan dasar teknik industri.....

Penentuan tingkat produksi dari barang atau jasa untuk periode yang akan datang merupakan salah satu keputusan penting yang harus dilakukan perusahaan. Besarnya tingkat produksi yang juga merupakan suatu penawaran dipengaruhi oleh seberapa besar tingkat permintaan pasar yang nantinya akan dipenuhi perusahaan. Oleh karena itu, agar keputusan yang nantinya akan diambil mempunyai nilai yang optimal diperlukan suatu metode yang tepat, sistematis dan dapat dipertanggungjawabkan.

Salah satu metode yang diperlukan oleh perusahaan dalam proses pengambilan keputusan untuk menentukan besarnya jumlah produksi yakni metode peramalan ( Forecasting ). Peramalan (forecasting) adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang. Untuk membuat suatu peramalan banyak mempunyai arti, maka peramalan tersebut perlu direncanakan dan dijadwalkan sehingga akan diperlukan suatu periode waktu paling sedikit dalam periode waktu yang dibutuhkan untuk membuat suatu kebijaksanaan dan menetapkan beberapa hal yang mempengaruhi kebijakan tersebut.

Dengan menggunakan metode ini diharapkan perusahaan dapat menentukan seberapa besar tingkat produksi pada periode yang akan datang. Karena dengan cara ini perusahaan dapat menekan biaya produksi maupun biaya penyimpanan yang diakibatkan terjadinya kelebihan produksi ( Under Production ) serta perusahaan tidak akan kehilangan pelanggan yang dikarenakan perusahaan tidak dapat memenuhi permintaan yang ada.

Ada 5 metode yang digunakan dalam menggunakan keputusan peramalan yaitu :

• Moving Average
• Simple Moving Average
• Weighted Moving Average
• Exponential Smoothing
• Exponential Smoothing with trend

Moving average, metode ini hanya melakukan perhitungan terhadap nilai data yang baru, dimana nilai rata – ratanya dihitung berdasarkan jumlah data yang rata – rata angka bergeraknya ditentukan dari harga I sampai N dari data yang dimiliki, metode kedua adalah weighted moving average, metode ini memerlukan pembobotan untuk data yang paling baru dari deret berkala. Sebagai contoh data yang paling baru ditentukan bobotnya sebesar 0,4 dan terbaru berikutnya 0,3 kemudian berturut – turut 0,2 dan terakhir 0,1. Perlu diingat bahwa jumlah bobot harus sama dengan 1,00. dan bobot yang terberat diberikan pada data yang terbaru. Selain itu dari kedua metode diatas kita bisa menggunakan metode eksponential smoothing. Metode ini hanya menggunakan perhitungan yang lebih sedikit, tidak memerlukan data historis dalam jangka waktu yang lama melainkan hanya data yan terbaru yang dipakai untuk perhitungan peramalannya. Karakteristik smoothing dikendalikan dengan menggunakan faktor smoothing  yang bernilai 0 sampai dengan 1. Fungsi faktor ini adalah untuk memberikan penekanan yang lebih terhadap data yang paling baru. Setiap hasil peramalan yang baru berdasarkan pada hasil peramalan sebelumnya ditambah dengan suatu prosentase perbedaan antara peramalan dengan nilai aktualnya pada saat tersebut.

BENCANA ALM PALING MEMATIKAN

Bencana alam seringkali datang tanpa diduga sama sekali, seperti halnya bencana gempa bumi yang sangat sulit diprediksi. Atau bencana topan badai yang sebenarnya masih bisa diprediksi tetapi karena komunikasi dan penanganan yang buruk tetap saja menjadi malapetaka hebat yang memakan korban jiwa yang jumlahnya tidak sedikit. Tidak sedikit bencana ini juga terjadi akibat ulah manusia yang merusak pilar-pilar keseimbangan alam seperti pembukaan lahan besar-besaran di tepian sungai atau penggundulan hutan di wilayah hulu yang pada akhirnya memicu bencana banjir atau longsor yang mematikan. Dilihat dari segi jumlah korban jiwa, dunia mencatat 10 bencana yang paling mematikan di muka bumi.



10. Gempa Aleppo (230.000 korban tewas)


Aleepo berlokasi di sepanjang bagian utara sistem patahan geologis Dead Sea Transform yang merupakan batas dari lempeng Arab dan lempeng Afrika. Gempa bumi yang terjadi merupakan yang pertama dari dua gempa beruntun di wilayah tersebut, yaitu pada bulan Oktober 1138 hingga Juni 1139 dan gempa beruntun lainnya yang lebih kuat terjadi pada bulan September 1156 hingga Mei 1159.
Yang terkena dampak paling parahnya adalah wilayah Harim, dimana para Crusaders disitu membangun sebuah benteng yang besar. Berbagai sumber menyebutkan bahwa istana di situ hancur beserta rumah-rumah ibadatnya. Kubu pertahanan Atharib, yang kemudian diduduki kaum Muslim, turut hancur. Benteng pun juga rubuh dan menewaskan 600 penjaga istana, meski gubernur dan beberapa pelayannya selamat dan mengungsi ke Mosul.

9. Gempa Bumi dan Tsunami di Sumatra (korban tewas 230.000)


Inilah bencana alam paling mematikan di awal abad 21. Gempa bumi ini, di kalangan ilmuwan disebut sebagai gempa bumi Sumatra-Andaman, merupakan gempa bumi bawah laut yang terjadi pada jam 00:58:53 UTC (07:58:53 pagi waktu setempat) pada tanggal 26 Desember 2004 dengan episentrum di lepas pantai barat Sumatra, Indonesia. Gempa bumi dahsyat ini memicu tsunami di sepanjang pantai-pantai yang berbatasan dengan Samudera Hindia dan menimbulkan korban yang sangat besar dan menghancurkan pemukiman-pemukiman di dekat pantai.






Gempa ini pada awalnya tercatat berkekuatan 9.0 skala Richter, tetapi kemudian meningkat antara 9,1 dan 9,3. Dengan kekuatan seperti ini menjadikannya gempa bumi terdahsyat kedua yang pernah direkam di muka bumi (gempa dengan kekuatan terbesar adalah gempa Valdivia tahun 1960). Gempa sedahsyat ini mampu membuat seluruh planet bumi bergetar hampir setengah inch atau lebih dari satu sentimeter. Di Aceh, Indonesia, lokasi dimana sebagian besar korban jiwa berasal bahkan hingga beberapa bulan setelah hantaman tsunami, maya-mayat korban tsunami masih ditemukan dimana-mana.

8. Jebolnya Bendungan Banqiao, Cina (korban tewas 231.000)


Bendungan Banqiao didesain untuk menghadapi prediksi banjir 1000 tahunan atau sekali tiap 1000 tahun (saat curah hujan dprediksi mencapai 306 mm per-hari). Hingga pada bulan Agustus 1975 terjadi bencana banjir yang disebabkan oleh curah hujan yang tidak pernah berhenti sepanjang lebih dari setahun. Pintu-pintu air akhirnya tidak mampu menampung luapan air, sebagian disebabkan sedimentasi. Akibatnya bendungan jebol di 64 titik.
Setelah akhirnya jebol, gelombang besar menyapu area di bawahnya dengan tinggi gelombang mencapai 3-7 meter dengan kecepatan 51 kilometer pe jam. Gelombang ini menyapu area hampir sepanjang 55 kilometer dan menciptakan danau besar sementara seluas 12.000 km persegi. Evakuasi berjalan sangat lambat dikarenakan kondisi cuca dan buruknya komunikasi.

7. Gempa Bumi Tangshan (242.000 tewas)


Gempa bumi Tangshan nerupakan salah satu dari gempa bumi terdahsyat di era moderen dilhat dari jumlah korbannya. Episentrum gempa berada di dekat Tangshan, Hebei, Cina, sebuah kota industri yang dihuni sekitar sejuta penduduk. Gempa terjadi pada pukul 03:42:53.8 waktu setempat (1976 July 27 19:42:53.8 UTC) dan berlangsung selama 15 detik. Sumber resmi pemerintah Cina mencatat kekuatan gempa 7,8 skala richter meski beberapa sumber menyebutkan hingga 8,2. Gempa ini merupakan gempa pertama dalam sejarah dunia moderen yang menghantam sebuah kota besar.
Pemerintah RRC menolak bantuan dunia internasional dan dikritik karena lambatnya penanganan. Keadaan ini turut menyumbang terjadinya perubahan politis hingga pada akhirnya mengakhiri revolusi budaya bangsa Cina yang tertutup.

6. Banjir Kaifeng - 1642, Cina (Korban tewas: 300)

Kaifeng, di masa kini.

Kaifeng, sebuah kota di provinsi Henan bagian utara, RRC, berlokasi di sepanjang tepian selatan Yellow River dihantam banjir dahsyat yang di sengaja dibuat oleh pasukan Kaisar Ming untuk mencegahnya di ambil alih oleh petani pemberontak pimpinan Li Zicheng. Setengah dari 600.000 ribu penduduk Kaifeng tewas akibat tersapu banjir dan juga karena kelaparan dan wabah penyakit yang menyertainya. Peristiwa ini tercatat merupakan sebuah strategi perang paling mematikan dalam sejarah (termasuk dalam genocide sistematis) dan kedua terbesar menelan korban manusia pada masanya.
Banjir ini juga mengakhiri masa emas kaum Yahudi yang dikatakan pernah mendiami Cina antara tahun 1300 hingga 1642. Menjelang bencana banjir ini populasi Yahudi di Cina sudah mencapai 5000, kebanyakan di Kaifeng.

5. Topan India - 1839, India (Korban tewas: 300,000+)

Lokasi dekat Corina

Tahun 1839, gelombang pasang setinggi 40 kaki yang disebabkan oleh topan dahsyat menyapu kota pelabuhan di Coringa mengakibatkan setidaknya 20.000 rumah hancur dan 300.000 orang tewas. Ini bukan bencana pertama yang terjadi di Coringa: tahun 1789 terjadi tiga kali gelombang pasang yang juga disebabkan oleh topan dan menghancurkan kota di mulut sungai Ganga itu serta menenggelamkan hampir semua kapal-kapal dan mengakibatkan tewasnya 20.000 orang.

4. Gempa Bumi Shaanxi - 1556, Cina (Korban tewas: 830.000)

deformasi akibat gempa Shaanxi

Musim panas di tahun 1556, terjadi gempa bumi Shaanxi atau gempa bumi Hua County, dan merupakan gempa paling mematikan yang pernah dicatat dan menimbulkan korban tidak kurang dari 830.000 jiwa. Lebih dari 97 wilayah di Provinsi Shaanxi, Henan, Gansu, Hebei, Shandong, Hubei, Hunan, Jiangsu dan Anhui merasakan akibatnya. Di beberapa wilayah tersebut bahkan kehilangan 60 persen pupulasinya. Kebanyakan dari korban tinggal di "yaodong", gua-gua tinggal buatan yang runtuh akibat bencana. Gempa ini tercatat berkekuatan 8,3 skala Richter dan merupakan gempa kelima terdahsyat dilihat dari kekuatannya, meski dilihat dari jumlah korbannya merupakan gempa bumi yang paling mematikan.
Dikatakan gempa ini menyebabkan gunung-gunung dan sungai-sungai berubah posisinya, jalan-jalan hancur, dataran yang menyembul keluar membentuk bukit baru, atau dataran yang ambles membentuk lembah. Rumah-rumah, tempat-tempat peribadatan dan batas-batas kota runtuh seketika.

3. Topan Bhola - 1970, Bangladesh [Korban Jiwa: 500.000 - 1.000.000]


Tanggal 12 November 1970 topan Bhola yang merupakan topan tropis yang ganas menghantam Pakistan Timur (sekarang Bangladesh). Topan ini merupakan badai topan tropis paling mematikan yang pernah tercatat di muka bumi dan salah satu bencana terdahsyat di era moderen. Lebih dari 500.000 orang tewas dan kebanyakan diakibatkan oleh banjir di pulau-pulau berdataran rendah di sekitar delta sungai Ganga. Penanganan yang buruk oleh pemerintah Pakistan Timur saat itu sangat buruk dan menuai kritikan keras dari dunia internasional.
Topan ini mulai berubah menjadi badai tropis yang ganas pada 11 November dan mulai berbelok ke timur laut saat mendekati ujung teluk. Badai ini bergerak hingga kecepatan 185 km/jam dan menyebabkan hancurnya garis pantai Pakistan Timur dalam semalam tanggal 12 November dibarengi oleh naiknya gelombang pasang.

2. Banjir Sungai Kuning (Yellow River) - 1887, Cina [Korban Jiwa: 900.000 - 2.000.000]

Sungai Kuning (Yellow River)

Yelow River (Huang He) di Cina ssat itu menjadi rawan banjir akibat perluasan besar-besaran wilayah daratan di sekitarnya. Tahun 1887 Yellow River meluap dahsyat dan membanjiri wilayah-wilayah tersebut dan mengakibatkan tewasnya antara 900.000 hingga 2.000.000 orang. Bencana alalm ini tercatat sebagai salah satu yang paling mematikan yang pernah terjadi di muka bumi. Selama berabad-abad, para petani yang tinggal di sekitar Yellow River telah membuat bendungan-bendungan untuk menampung luapan air yang disebabkan akumulasi endapan di dasar sungai. Pada thaun 1887, naiknya air laut dan hujan deras yang berlangsung terus menerus selama berhari-hari menyebabkan bendungan-benfungan itu meluap menimbulkan banjir besar dimana-mana. Air bah dari Yellow River diperkirakan menghantam melalui bendungan-bendungan di Huanyankou, dekat kota Zhengshou di provinsi Henan.
Karena datarannya yang relatif rendah, banjir ini menyebar cepat menyeberang ke Cina bagian utara, melubgkupi area seluas 50.000 mil persegi, menyapu daerah-daerah pertanian dan pusat-pusat bisnis. Setelah banjir, dua juta orang kehilangan tempat tinggalnya. Wabah penyakit dan minimnya persediaan bahan pokok ikut menambah banyak daftar korban tewas.

1. Banjir Yellow River - 1931, Cina [Korban tewas: 1.000.000 - 4.000.000]

Pengungsi akibat meluapnya Sungai Kuning (Yellow River)
Bencana banjir di Yellow River (Huang He) tahun 1931 hingga saat ini tercatat sebagai bencana alam paling mematikan dalam sejarah umat manusia dan juga dalam abad 20 (jika pandemik yang menyertainya tidak dihitung). Perkiraan jatuhnya korban jiwa adalah sebanyak 1 juta hingga 4 juta nyawa. Kematian dalam jumlah yang luar biasa itu tidak hanya dikarenakan hanyut atau tenggelam disapu banjir, tapi juga akibat wabah penyakit dan kelaparan.
Antara bulan Juli dan November, beberapa wilayah daratan seluas 88.000 km persegi seluruhnya dilanda banjir, dan sekitar 21.000 km persegi lainnya hanya bagian tertentu saja yang disapu banjir. Hingga saat ini Yellow River (SUngai Kuning) di Cina ini sering disebut sebagai "Derita Cina (China's Sorrow) karena telah menelan jutaan korban jiwa manusia akibat banjir.

ALFABET ALAM

AKIBAT GLOBAL WARMING

1. Great Barrier Reef Lenyap dalam 20 Tahun

Naiknya air laut akibat pemanasan global dalam 20 tahun akan menenggelamkan gugusan karang ajaib ini. Charlie, mantan kepala peneliti di Australian Institute of Marine Science mengatakan pada The Times: "Tidak ada harapan, Great Barrier akan lenyap 20 tahun lagi atau lebih. Sekali karbon dioksida (CO2) menyentuh level seperti yang diprediksi antara tahun 2030 dan 2060, seluruh karang akan lenyap. Hal ini didukung para peneliti karang dan juga semua organisasi terkait lainnya. Ini sudah kritis dan beginilah kenyataanya." (source)

2. Hutan Amazon Akan Berubah Menjadi Gurun

Memiliki jutaan spesies dan cadangan 1/5 air bersih dunia, hutan Amazon merupakan hutan hujan tropis terbesar di dunia. Tapi pemanasan global dan penggundulan hutan membalikkan fungsi hutan sebagai penyerap karbon dan merubah 30-60 persen hutan menjadi padang rumput kering. Proyeksi-proyeksi menunjukkan hutan ini bisa lenyap menjelang tahun 2050.(source)

3. Gurun Sahara Akan Menghijau

Para ilmuwan melihat tanda-tanda bahwa gurun sahara dan wilayah di sekitarnya menghijau akibat makin meningkatnya curah hujan. Hujan ini mampu merevitalisasi wilayah gersangnya sehingga menarik komunitas petani. Kecenderungan menyusutnya gurun ini dijelaskan oleh model-model iklim, yang memprediksi kembalinya ke kondisi yang merubah Sahara menjadi padang rumput subur seperti sekitar 12 ribu tahun yang lalu.(source)

4. Angin Topan Akan Bertiup Lebih Dahsyat

Belum bisa dijelaskan apakah global warming bertanggung jawab atas terjadinya badai Katrina. Tapi ada indikasi-indikasi bahwa global warming akan menciptakan badai-badai berkategori 5 - badai Katrina sendiri berkategori 4 saat menghantam Lousiana. Kekuatan badai dimulai dari adanya air hangat dan model-model ramalan menunjukkan badai di masa depan akan menjadi lebih dahsyat seiring dengan naiknya temperatur lautan. Global warming juga membuat badai-badai itu lebih destruktif dengan naiknya permukaan laut yang memicu banjir yang lebih besar di wilayah pesisir. (source)

5. London Tenggelam Tahun 2100

Tidak hanya karang dan pulau-pulau landai yang terancam global warming. Faktanya sebuah ancaman besar juga menghantui wilayah kota besar di wilayah pantai yang beresiko tenggelam di bawah air akibat naiknya permukaan laut. Lusinan kota-kota dunia termasuk London dan New York bisa saja lenyap tenggelam menjelang akhir abad ini, menurut penelitian yang menyebutkan global warming akan mengakibatkan naiknya permukaan air laut lebih cepat dari yang diprediksi sebelumnya. London termasuk kota besar yang beresiko tinggi seperti digambarkan dalam sebuah film tahun 2007 berjudul "Flood". Menurut para ahli kota ini akan tenggelam tidak sampai 100 tahun lagi. (source)

6. Hewan-hewan yang Menyusut

Studi baru menyebutkan bahwa bahwa spesies-spesies hewan mengalami penyusutan rata-rata hingga 50 persen dari massa tubuhnya dalm 30 tahun terakhir. Penelitian awal terhadap domba menduga bahwa musim dingin yang lebih pendek dan ringan membuat domba-domba itu tidak menambah berat badannya untuk bertahan hidup pada tahun pertama hidupnya. Faktor seperti ini dapat juga mempengaruhi populasi ikan. Para peneliti menyebutkan perubahan iklim ini bisa mengganggu rantai-rantai makanan, dimana predator di puncak rantai makanan yang paling terpengaruhi karena menyusutnya mangsa. (Source 1 | Source 2)

7. Kepulauan Indonesia Kehilangan Ribuan Pulaunya

Akibat global warming, sedikitnya 2000 pulau kecil di kepulauan Indonesia mungkin akan hilang sebelum yahun 2030 danhal ini diperparah sebagai konsekuensi penambangan liar dan aktivitas lain yang merusak lingkungan. Indonesia hingga saat ini telah kehilangan sedikitnya 24 dari 17.500 pulau-pulau di wilayahnya. (Source 1 | Source 2)

8. Global Warming Bisa Memicu Terorisme

Global warming bisa menciptakan kondisi ketidakstabilan di negara-negara miskin, sehingga memicu terjadinya migrasi dan menjadi tempat subur berkembangnya terorisme. Kondisi negara yang tidak stabil akibat iklim yang keras dan tidak menentu menyebabkan banyak orang meninggalkan negaranya dan karena tekanan beberapa di antaranya bisa melakukan tindak terorisme. Belum lagi masalah akibat penolakan dari negara yang didatangi para imigran ini.(Source)

9. Mencairnya Pegunungan Alpen

Tahun-tahun belakangan ini terlihat pengurangan intensitas salju di wilayah-wilayah rendah, menyusutnya volume glacier (sungai es), dan juga meningkatnya cairnya wilayah es beku. Hal ini berdampak langsung pada aktivitas turisme di musim dingin. Diprediksi glacier-glacier itu akan hilang antara tahun 2030 dan 2050. Itali dan Swiss telah memutuskan untuk menggambar ulang batas-batas wilayah mereka akibat berkurangnya glacier-glacier di Alpine dan menyapu tanda batas-batas wilayah dua negara itu. (Source 1 | Source 2)

10. Tenggelamnya Kepulauan Maldiva

Wilayah kepulauan rendah dan flat yang dikelilingi lautan diprediksi akan ditenggelamkan oleh lautan yang mengelilinginya itu. Hal ini merupakan berita buruk bagi para penghuninya dan juga bagi dunia pariwisata yang mengandalkan pantai-pantai berpasir putih dengan air hangatnya. Para peneliti memberi waktu tidak lebih dari seratus tahun sebelum kepulauan ini bebar-benar lenyap ditelan samudera. (Source)

Mengerikan memang, meski hampir semua dari kita mungkin tidak akan mengalaminya, tetapi anak cucu kitalah yang akan menghadapinya. Mungkin sebagian orang menganggap isu global warming hanyalah bualan saja, tapi mungkin sebagian dari kita telah merasakan naiknya temperatur di wilayah masing-masing jika dibandingkan kira-kira 10 tahun yang lalu. Penulis sendiri kurang lebih 10-15 tahun yang lalu pernah tinggal di salah satu kota yang waktu itu hawanya selalu sejuk bahkan menjelang tengah hari sekalipun. Dan tahun-tahun belakangan kota itu di siang hari panas teriknya tidak kalah dengan kota Jakarta. Memang belum ada yang membuktikannya sebagai akibat global warming, tapi satu hal sudah jelas, sudah waktunya manusia memikirkan kembali untuk menghargai alam dan bersahabat dengan alam dalam segala aktivitasnya termasuk dalam strategi pembangunan, baik infrastruktur maupun industri.