BAB II TINJAUAN KEPUSTAKAAN
2.12. Penelitian Terkait
Tabel 2.9. Daftar pertanyaan kuesioner SUS
No. Pertanyaan
1. Saya berpikir bahwa saya ingin sering menggunakan sistem ini.
2. Saya merasa sistem tidak perlu terlalu kompleks/rumit.
3. Saya merasa sistem mudah untuk digunakan.
4. Saya rasa saya membutuhkan bantuan dari orang teknis untuk dapat menggunakan sistem ini.
5. Saya menemukan berbagai fungsi dalam sistem ini yang terintegrasi dengan baik.
6. Saya rasa banyak hal yang tidak konsisten terdapat pada sistem.
7. Saya rasa mayoritas pengguna akan belajar menggunakan sistem ini secara cepat.
8. Saya menemukan bahwa sistem sangat tidak praktis.
9. Saya sangat percaya diri dalam menggunakan sistem ini.
10. Saya harus belajar banyak hal terlebih dahulu sebelum saya dapat
menggunakan sistem ini.
Sumber: Mariani et al (2014) berdasarkan modifikasi dan penyesuaian penulis
2.12. Penelitian Terkait
Penelitian yang telah dilakukan berkaitan dengan pemetaan rawan kebakaran hutan dan ModelBuilder adalah sebagai berikut:
1) Penelitian yang dilakukan oleh Widodo (2014) yang berjudul ‘Pemodelan Spasial Risiko Kebakaran Hutan (Studi Kasus Provinsi Jambi, Sumatera)’. Penelitian ini menerapkan 3 tahap analisis yaitu: analisis tabulasi silang (cross-tabulation), analisis regresi linear dan analisis spasial integrasi antara Pengindraan Jauh dan Sistem Informasi Geografis. Terdapat 9 variabel-variabel prediktor penyebab kebakaran hutan yang terbagi menjadi variabel-variabel terikat dan variabel bebas. Variabel terikat adalah jumlah titik panas (hotspot) sedangkan variabel bebas adalah penutupan lahan, jenis tanah (gambut dan non-gambut), ketinggian (m), kelerengan (%), jarak dari desa (km), jarak dari sungai (km), jarak dari jalan (km), jarak dari Daops Manggala Agni (km). Pengembangan model spasial risiko kebakaran hutan di Jambi dibuat dengan
23 mengacu pada hasil analisis regresi dan analisis tabulasi silang. Kedua analisis tersebut digunakan untuk mendapatkan nilai bobot yang mempengaruhi masing-masing variabel dan skor masing-masing kelas dalam setiap variabel terhadap risiko terjadinya kebakaran hutan. Bobot pengaruh variabel prediktor terhadap kebakaran hutan di Provinsi Jambi adalah penutupan lahan (15%), jenis tanah (4%), ketinggian (13%), kelerengan (14%), jarak dari desa (14%), jarak dari sungai (13%), jarak dari jalan (12%) dan jarak dari Daops MA (15%) dengan nilai total seluruh variabel prediktor adalah 100%. Setelah nilai skor dan bobot diperoleh maka proses analisis ModelBuilder dapat dilakukan. Analisis ModelBuilder berjalan dalam skema analisis raster sehingga seluruh data spasial yang berformat vektor harus dikonversi terlebih dahulu ke dalam format raster agar bisa dianalisis. Tingkat risiko kebakaran hutan dibagi menjadi 5 kelas yaitu sangat tinggi, tinggi, sedang, rendah, sangat rendah.
2) Penelitian yang dilakukan oleh Solichin et al (2007) yang berjudul ‘Pemetaan Daerah Rawan Kebakaran’. Peta rawan kebakaran merupakan model spasial yang digunakan untuk merepresentasikan kondisi di lapangan terkait dengan risiko terjadinya kebakaran hutan dan lahan. Model ini dibuat menggunakan aplikasi SIG untuk memudahkan proses overlay antar faktor-faktor penyebab kebakaran. Karenanya, memahami faktor-faktor penyebab dan perilaku kebakaran merupakan hal yang sangat utama di dalam melakukan pemodelan ini. Solichin menggunakan 3 parameter untuk pemetaan daerah rawan kebakaran antara lain penutupan lahan, penyebaran lahan gambut, dan ketinggian (elevasi). Skor untuk tiap parameter ialah menggunakan rentang nilai 1-5. Selain itu, bobot untuk tiap parameter yaitu penutupan lahan (40%), ketinggian (30%) dan lahan gambut (30%). Penelitian ini menggunakan ArcView GIS 3.2. untuk menjalankan ModelBuilder. Proses analisis yang dilakukan adalah dengan melakukan konversi data Vector to Grid untuk data penutupan lahan karena data yang didapat berupa shapefile kemudian proses klasifikasi kembali (Reclassify) untuk data ketinggian. Selanjutnya dilakukan proses pembobotan dan penilaian terhadap masing-masing parameternya. Hasil dari nilai tingkat kerawanan kebakaran hutan dikelompokkan menjadi 5 kelas
24 yaitu tidak rawan, rendah, sedang, tinggi, sangat rawan. Contoh pemanfaatan
ModelBuilder pada pemetaan rawan kebakaran yang dilakukan oleh Solichin
dkk dapat dilihat pada Gambar 2.7. sebagai berikut.
Gambar 2.7. Pemanfaatan ModelBuilder pada pemetaan rawan kebakaran
Sumber: Solichin et al (2007)
3) Penelitian yang dilakukan oleh Rachmat (2014) dengan judul ‘Analisa Kesesuaian Lahan Permukiman di Kota Makassar’. Kesesuaian lahan adalah tingkat kecocokan sebidang lahan untuk penggunaan tertentu. Analisis kesesuaian lahan untuk permukiman bertujuan untuk mengetahui wilayah yang memiliki karakteristik fisik yang sesuai dengan pengembangan permukiman. Penelitian ini menggunakan parameter-parameter antara lain ketinggian lahan, kelerengan lahan, jenis tanah, curah hujan, jarak dari jalan, dan kerawanan banjir. Pada tahapan pertama analisis kesesuaian lahan permukiman di Kota Makassar dengan menggunakan ModelBuilder adalah menyeragamkan bentukan data tiap kriteria yang digunakan. Untuk setiap kriteria dilakukan analisis konversi dengan tool Feature to Raster, untuk mengubah data vektor menjadi data raster. Setelah seluruh data dikonversi ke dalam bentuk raster kemudian dilakukan reklasifikasi (Reclassify). Skor untuk setiap parameter adalah menggunakan rentang nilai 1-3. Setelah dilakukan analisis Reclassify,
output masing-masing kriteria kemudian dianalisis lebih lanjut dengan
menggunakan analisis overlay. Analisis overlay yang digunakan adalah
Weighted Sum overlay. Setelah melalui analisis overlay, langkah terakhir yang
25 pada peta kesesuaian lahan yang didapatkan sebelumnya masih terdiri dalam banyak nilai. Dalam analisis Reclassify ini nilainya dibagi ke dalam tiga kelas yaitu tinggi, sedang, rendah. Berikut Gambar 2.8. adalah contoh pemanfaatan
ModelBuilder pada penelitian ini.
Gambar 2.8. Pemanfaatan ModelBuilder pada analisa kesesuaian lahan permukiman di Kota Makassar
Sumber: Rachmat (2014)
Dari ketiga penelitian tersebut, diketahui bahwa keduanya menggunakan nilai skor dan bobot yang berbeda. Meskipun berbeda, konsep yang digunakan adalah sama yaitu semakin tinggi tingkat pengaruh suatu kriteria terhadap bahaya kebakaran hutan, maka nilai skor yang diberikan juga semakin tinggi, begitupun sebaliknya. Demikian juga dengan nilai bobot, semakin tinggi pengaruh suatu
26 parameter terhadap bahaya kebakaran hutan maka nilai bobot yang diberikan juga akan semakin tinggi, begitupun sebaliknya.
27