Pengembangan Sistem Peringkat Bahaya Kebakaran Hutan/Lahan dan Dispersi Asap Berbasis Data Model

119 

Loading.... (view fulltext now)

Loading....

Loading....

Loading....

Loading....

Teks penuh

(1)

PENGEMBANGAN SISTEM PERINGKAT BAHAYA

KEBAKARAN HUTAN/LAHAN DAN DISPERSI ASAP

BERBASIS DATA MODEL

EKO HERIYANTO

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

(2)
(3)

PERNYATAAN MENGENAI TESIS DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa tesis berjudul Pengembangan Sistem Peringkat Bahaya Kebakaran Hutan/Lahan dan Dispersi Asap Berbasis Data Model adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

(4)

RINGKASAN

EKO HERIYANTO. Pengembangan Sistem Peringkat Bahaya Kebakaran Hutan/Lahan dan Dispersi Asap Berbasis Data Model. Dibimbing oleh LAILAN SYAUFINA dan SOBRI EFFENDY.

Pengembangan Sistem Peringkat Bahaya Kebakaran Hutan/Lahan (SPBK) dilakukan dengan memanfaatkan data model WRF resolusi 9 km. Indeks Fine Fuel Moisture Code (FFMC) atau potensi kemudahan terjadinya kebakaran dan Fire Weather Index (FWI) atau potensi tingkat kesulitan pengendalian kebakaran disusun menggunakan parameter cuaca seperti suhu, kelembapan, kecepatan dan arah angin, serta curah hujan kumulatif. Dilakukan verifikasi terhadap luaran WRF sebelum digunakan untuk menyusun indeks FFMC dan FWI. Indeks FFMC dan FWI luaran WRF dan observasi dibandingkan pada 8 (delapan) lokasi yang tersebar di Sumatera dan Kalimantan. Hasil verifikasi luaran WRF terhadap observasi menunjukkan korelasi yang kuat – sangat kuat dengan rentang nilai 0.53 – 0.80 untuk semua parameter penyusun indeks. Perbandingan indeks FFMC dan FWI luaran WRF dan observasi mempunyai korelasi di atas 0.62 dengan maksimum persentase kesalahan sebesar 0.57. Hasil verifikasi menunjukkan bahwa luaran WRF dapat digunakan secara baik untuk menyusun indeks FFMC dan FWI pada Sistem Peringkat Bahaya Kebakaran Hutan/Lahan.

Dilakukan simulasi prediksi dispersi asap (hindcast) menggunakan model Weather Research and Forecasting with Chemistry (WRF-Chem) pada kejadian kebakaran hutan/lahan di wilayah Sumatera dan Kalimantan. Masukan data model menggunakan Global Forecast System (GFS) 0.5º dan emisi global EDGAR. Verifikasi luaran model dispersi asap menggunakan data satelit Atmospheric Infrared Sounder (AIRS-NASA). Hasil verifikasi parameter CO maksimum model WRF-Chem dan data Total Column AIRS mempunyai nilai korelasi diatas 0.61 dan rentang nilai RMSE antara 1.39 – 1.67. Nilai bias model di bawah 1.66, dan mempunyai kecenderungan underforecasting terhadap observasi satelit. Hasil korelasi dan error menunjukkan bahwa hasil simulasi model mempunyai prediksi yang cukup baik. Model ini dapat digunakan sebagai sistem peringatan dini dispersi asap kebakaran hutan/lahan di wilayah Sumatera dan Kalimantan.

Penyebab utama kejadian kebakaran hutan/lahan di Indonesia adalah akibat ulah manusia terutama dalam kegiatan penyiapan lahan. Telah dilakukan analisis data aktivitas masyarakat lokal dalam penyiapan lahan untuk pertanian. Hasil analisis dari kuesioner menunjukkan bahwa aktivitas penyiapan lahan dengan cara dibakar sebesar 70% dan penyiapan lahan tanpa di bakar sebesar 30%. Faktor efisiensi dan biaya yang murah menjadi faktor pendorong utama masyarakat lokal melakukan kegiatan penyiapan lahan dengan cara di bakar.

(5)

SUMMARY

EKO HERIYANTO. Development of Land/Forest Fire Danger Rating System and Smoke Dispersion Based on Data Model. Supervised by LAILAN SYAUFINA and SOBRI EFFENDY.

Development of Land/Forest Fire Danger Rating System (SPBK) using the WRF model 9 km in resolution. Fine Fuel Moisture Index Code (FFMC) or the potential ease of fire and the Fire Weather Index (FWI) or potential fire control difficulty level compiled using weather parameters such as temperature, humidity, wind speed and direction, and cumulative rainfall. Need to verify the WRF outputs before used for index FFMC and FWI. FFMC and FWI index WRF outputs and observations compared to eight (8) locations in Sumatra and Kalimantan. Verification result of WRF and observation showed a strong - very strong correlation with a value range 0.53 - 0.80 for all parameters making up the index. Comparison of FFMC and FWI index WRF outputs and observations have a correlation above 0.62 with a maximum percentage error of 0.57. The verification results show that the WRF outputs can be used either to index the FFMC and FWI Land/Forest Fire Danger Rating System. Simulation of smoke dispersion (hindcast) using the Weather Research and Forecasting Model with Chemistry (WRF-Chem) on the incidence of land/forest fires in Sumatra and Kalimantan. Input data model using the Global Forecast System (GFS) 0.5º and EDGAR global emission. Verification of smoke dispersion models using Atmospheric Infrared Sounder satellite data (AIRS-NASA). The results of the verification parameters maximum CO WRF-Chem models and data Total Column AIRS has a correlation value above 0.61 and RMSE values range between 1.39 - 1.67. Value of bias model below 1.66 and have a tendency

underforecasting against satellite observations. The results of the error and correlation from model simulation showed that a fairly good prediction. This model can be used as an early warning system of land/forest fire smoke dispersion in Sumatera and Kalimantan.

The main cause of land/forest fires in Indonesia are caused by human activities, especially in land clearing. Data analysis has been conducted of local community activities in the preparation of land for farming. The results of the analysis of the questionnaires showed that the activities of land clearing by burning is 70% and land preparation without fuel is 30%. Efficiency and low cost factors to be the primary driver of the local communities in land clearing activities by way of fuel.

(6)

© Hak Cipta Milik IPB, Tahun 2014

Hak Cipta Dilindungi Undang-Undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB

(7)

Tesis

sebagai salah satu syarat untuk memperoleh gelar Magister Sains

pada

Program Studi Pengelolaan Sumber Daya Alam dan Lingkungan

PENGEMBANGAN SISTEM PERINGKAT BAHAYA

KEBAKARAN HUTAN/LAHAN DAN DISPERSI ASAP

BERBASIS DATA MODEL

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

BOGOR 2014

(8)
(9)

Judul Tesis : Pengembangan Sistem Peringkat Bahaya Kebakaran Hutan/Lahan dan Dispersi Asap Berbasis Data Model

Nama : Eko Heriyanto NIM : P052114051

Disetujui oleh Komisi Pembimbing

Dr Ir Lailan Syaufina, M.Sc Ketua

Dr Sobri Effendy, M.Si Anggota

Mengetahui, Ketua Program Studi

Pengelolaan Sumber Daya Alam dan Lingkungan

Prof. Dr. Cecep Kusmana, M.Sc

Dekan Sekolah Pascasarjana IPB

Dr.Ir. Dahrul Syah, M.Sc. Agr

Tanggal Ujian: 18 Juli 2014

(10)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Kajian dalam penelitian yang dilaksanakan sejak bulan Mei 2013 terkait kebakaran hutan/lahan, dengan judul Pengembangan Sistem Peringkat Bahaya Kebakaran Hutan/Lahan dan Dispersi Asap Berbasis Data Model.

Terima kasih penulis ucapkan kepada Ibu Dr Ir Lailan Syaufina, M.Sc dan Bapak Dr Sobri Effendy, M.Si selaku pembimbing, serta Dr Tania June, M.Sc yang telah banyak memberi saran. Di samping itu, penghargaan penulis sampaikan kepada teman-teman Puslitbang-BMKG yang telah membantu selama pengumpulan dan pengolahan data. Terima kasih atas sponsor Lembaga Pengelolaan Dana Pendidikan (LPDP) Kementrian Keuangan yang telah membantu biaya penulisan karya ilmiah ini. Ungkapan terima kasih juga disampaikan kepada bapak, ibu, anak, istri dan seluruh keluarga atas segala doa, dukungan dan kasih sayangnya.

Semoga karya ilmiah ini bermanfaat.

(11)

DAFTAR ISI 2.1. Kebakaran Hutan/Lahan ... 5

2.2. Faktor-Faktor yang Mempengaruhi Kebakaran Hutan/Lahan ... 5

2.2.1. Faktor Alam ... 5

2.3. Sistem Peringkat bahaya Kebakaran Hutan/Lahan (SPBK) ... 11

2.3.1. Indeks FWI (Fire Weather Index) ... 11

2.3.2. Indeks FFMC (Fine Fuel Moisture Code) ... 12

2.4. Sistem Informasi Geografis ... 12

2.5. Model Prediksi Cuaca WRF (Weather Research Forecasting) ... 13

2.6. Model Dispersi Asap WRF-Chem ... 14

BAB III METODE 3.1. Lokasi Penelitian ... 17

3.2. Bahan dan Alat ... 17

(12)

3.3. Pengolahan Data ...18

3.3.1. Pengolahan Data Cuaca Model ...18

3.3.2. Pengolahan Peta SPBK ...19

3.3.3. Pengolahan Data Hotspot ...19

3.3.4. Pengolahan Data Simulasi Dispersi Asap ...19

3.3.5. Pengolahan Data Aktivitas Masyarakat Lokal dalam Penyiapan Lahan Pertanian……….20

3.4. Analisis dan Verifikasi ...20

3.4.1. Analisis dan Verifikasi Data Cuaca Model ...20

3.4.2. Analisis dan Verifikasi Peta SPBK ...21

3.4.3. Analisis Hubungan Hotspot dan SPBK ...21

3.4.4. Analisis dan Verifikasi Simulasi Dispersi Asap ...22

3.4.5. Analisis Kuesioner Data Aktivitas Masyarakat Lokal ...22

BAB IV HASIL DAN PEMBAHASAN 4.1. Keadaan Umum Wilayah Kajian ...24

4.2. Analisis dan Verifikasi Data Parameter Cuaca Model WRF ...24

4.2.1. Medan - Sumatera Utara ...25

4.3. Analisis Hasil Peta SPBK ...36

(13)

4.6. Analisis dan Verifikasi Simulasi Dispersi Asap ... 50 4.7. Analisis Aktivitas Masyarakat Lokal dalam Penyiapan Lahan Pertanian .. 55 4.7.1. Sistem Penyiapan Lahan Dengan Dibakar ... 56 4.7.2. Sistem Penyiapan Lahan Tanpa Dibakar ... 57 4.7.3. Antisipasi Masyarakat dalam Menanggulangi Kebakaran ... 58 BAB V SIMPULAN DAN SARAN

5.1. Simpulan ... ...60 5.2. Saran ... ...61 DAFTAR PUSTAKA ... 62 LAMPIRAN

RIWAYAT HIDUP

(14)

DAFTAR SINGKATAN

1. AFWA : Air Force Weather Agency 2. AIRS : Atmospheric Infrared Sounder

3. BEIS : Biogemic Emissions Inventory System

4. BMKG : Badan Meteorologi Klimatologi dan Geofisika 5. BOM : Bureau of Meteorology (Australia)

6. CFS : Canadian Forest Service

7. CIDA : Canadian International Development Agency

8. CO : Carbon Monoxide

9. DC : Drought Code

10. DMC : Drought Moisture Code

11. EDGAR : Emission Data Base for Global Atmospheric Research 12. EPA : Environmental Protection Agency

13. FIRMS : Fire Information for Resource Management System 14. FDRS : Fire Danger Rating System

15. FWI : Fire Weather Index

16. FFMC : Fine Fuel Moisture Code 17. GFS : Global Forecast System

18. GrADS : Grid Analysis and Display Systems

19. JRC-IES : Joint Research Center-International Environmental for Sustainability

20. KPP : Kinetic Pre-Processor

21. LAPAN : Lembaga Antariksa dan Penerbangan Nasional 22. MADE/SORGAM : The Model Aerosol Dynamics Model for Europe 23. MOSAIC : The Model for Simulating Aerosol Interactions and Chemistry

24. MODIS : The Moderate Resolution Imaging Spectroradiometer 25. NASA : National Aeronautics and Space Administration 26. NetCDF : Network Common Data File

27. NOAA-AVHRR : National Oceanic and Atmospheric Administration – The

(15)

Advanced Very High Resolution Radiometer 28. NOAA/FSL : Forecast System Laboratory of the NOAA 29. NCEP : National Centers for Environmental Prediction 30. NCAR : National Center of Atmospheric Research 31. NCEP : National Center of Environmental Prediction 32. NDVI : Normalized Diferrence Vegetation Index 33. NWP : Numerical Weather Prediction

34. ODBC : Open Database Connectivity

35. RBI : Rupa Bumi Indonesia

36. RH : Relative Humidity

37. RMSE : Root Mean Square Error 38. SIG : Sistem Informasi Geografis 39. SFMS : Spatial Fire Management System 40. SPBK : Sistem Peringkat Bahaya Kebakaran 41. USGS : United States Geology Survey 42. WRF : Weather Research Forecasting

43. WRF-Chem : Weather Research Forecasting with Chemistry

44. WPS : Weather Research Forecasting Pre Processing System

(16)

DAFTAR TABEL

1. Klasifikasi tingkat bahaya FWI ... 12

2. Klasifikasi tingkat bahaya FFMC ... 12

3. Jenis dan sumber data ... 17

4. Software yang digunakan ... 18

5. Format tabel penyusun indeks FFMC dan FWI SPBK ... 19

6. Hasil korelasi, persentase kesalahan, RMSE dan akurasi ... 35

7. Hasil korelasi, persentase kesalahan, dan RMSE ... 46

8. Perbandingan nilai CO maksimum model WRF-Chem dan AIRS ... 54

9. Kalender kegiatan penyiapan lahan untuk pertanian ... 57

(17)

DAFTAR GAMBAR

1. Kerangka pikir penelitian ... 4

2. Tiga wilayah iklim di Indonesia ... 8

3. Penerapan sistem NWP ... 14

4. Diagram alur sistem WRF/WRF-Chem ... 15

5. Lokasi penelitian ... 17

6. Tahapan kerja penelitian ... 23

7. Koordinat lokasi data luaran WRF 9 km ... 24

8. Perbandingan suhu, kec.angin dan kelembapan wilayah Sumatera Utara ... 26

9. Perbandingan suhu, kec.angin dan kelembapan wilayah Riau ... 27

10. Perbandingan suhu, kec.angin dan kelembapan wilayah Jambi ... 28

11. Perbandingan suhu, kec.angin dan kelembapan wilayah Sumsel ... 29

12. Perbandingan suhu, kec.angin dan kelembapan wilayah Kalbar ... 31

13. Perbandingan suhu, kec.angin dan kelembapan wilayah Kalteng ... 32

14. Perbandingan suhu, kec.angin dan kelembapan wilayah Kalsel... 33

15. Perbandingan suhu, kec.angin dan kelembapan wilayah Kaltim ... 35

16. Indeks peta FFMC observasi dan WRF wilayah Sumatera ... 38

17. Perbandingan hasil peta FWI observasi dan WRF wilayah Sumatera ... 39

18. Perbandingan hasil peta FFMC observasi dan WRF wilayah Kalimantan ... 40

19. Perbandingan hasil peta FWI observasi dan WRF wilayah Kalimantan ... 42

20. Lokasi pengambilan nilai indeks FFMC dan FWI SPBK obs dan WRF ... 43

21. Perbandingan nilai indeks FFMC dan FWI data observasi dan WRF wilayah Sumatera dan Kalimantan ... 43

22. Pola distribusi hotspot periode JJA-2013 wilayah Sumatera dan Kalimantan ... 47

23. Distribusi hotspot periode JJA-2013 propinsi wilayah Sumatera dan Kalimantan ... 48

24. Indeks peta FFMC model WRF dioverlay dengan hotspot wilayah Sumatera dan Kalimantan ... 49

25. Perbandingan simulasi dispersi asap (CO) WRF-Chem dengan Aqua/Terra MODIS dioverlay dengan data AIRS (Juni 2013) ... 51

(18)

26. Perbandingan simulasi dispersi asap (CO) WRF-Chem dengan Aqua/Terra

MODIS dioverlay dengan data AIRS (Juli 2013) ... 52 27. Perbandingan simulasi dispersi asap (CO) WRF-Chem dengan Aqua/Terra

MODIS dioverlay dengan data AIRS (Agustus 2013) ... 53 28. Hasil verifikasi CO maksimum model WRF-Chem dengan AIRS ... 54 29. Dokumentasi saat pengisian kuesioner dan wawancara serta lahan garapan

milik masyarakat di Kecamatan Rasau Jaya………55 30. Presentase cara masyarakat lokal menyiapkan lahan untuk pertanian ... 56

(19)

DAFTAR LAMPIRAN

1. Perbandingan Parameter Cuaca Observasi Permukaan dan WRF 2. Peta Indeks FFMC dan FWI Luaran WRF

3. Simulasi Dispersi Asap Model WRF-Chem

4. Daftar Pertanyaan Kuesioner Aktivitas Masyarakat Lokal Dalam Penyiapan Lahan Pertanian

(20)

BAB I PENDAHULUAN

1.1 Latar Belakang

Kebakaran hutan/lahan di Indonesia merupakan ancaman potensial bagi pembangunan berkelanjutan. Bencana yang selalu terjadi di musim kemarau ini menyebabkan kerusakan ekosistem dan kerugian pada aspek ekonomi, sosial dan budaya. Tacconi (2003) menyebutkan bahwa ada tiga masalah utama terkait dengan kebakaran hutan di Indonesia yaitu (1) pencemaran kabut asap, emisi karbon dan dampak terkait lainnya; (2) degradasi hutan, deforestasi dan hilangnya hasil hutan dan berbagai jasa lingkungan serta (3) kerugian di sektor pedesaan akibat kebakaran hutan dan anomali cuaca yang dipicu oleh kebakaran hutan.

Kebakaran hutan dan lahan gambut menjadi fokus utama kejadian kebakaran saat ini, mengingat dampak asap dan emisi karbon yang dihasilkan. Hutan rawa gambut seluas 2.124.000 hektar telah terbakar pada kejadian kebakaran 1997/1998 (Tacconi. 2003), mengemisikan sekitar 156,3 juta ton karbon ke atmosfer dan mencapai kerugian sebesar 10 milyar dolar AS (Bappenas-ADB. 1999). Sumantri (2007) menyebutkan bahwa kebakaran bawah yang mendominasi kebakaran gambut merupakan kebakaran yang sulit dikendalikan karena tidak menampakkan nyala api, menghasilkan asap tebal, sumber api sulit dideteksi dan penyebaran api menyerupai terowongan di bawah permukaan sehingga menyebar sampai ratusan meter dari sumber api.

Salah satu upaya untuk mencegah kebakaran hutan/lahan yang dilakukan adalah dengan mengembangkan Sistem Peringkat Bahaya Kebakaran hutan/lahan (SPBK) disebut juga dengan Fire Danger Rating System (FDRS) yang diadopsi dari Kanada (Field et al. 2004). SPBK telah dikembangkan di Indonesia melalui penerapan sistem Fire Weather Index (sistem indeks cuaca kebakaran, FWI). Sistem indeks cuaca kebakaran dibangun dengan tujuan sebagai sistem peringatan dini dan mitigasi kebakaran hutan/lahan yang biasanya disertai dengan masalah asap (smoke) yang serius. Hasil dari SPBK diantaranya adalah peta indeks Fine Fuel Moisture Index (FFMC) dan Fire Weather Index (FWI). FFMC merupakan potensi kemudahan terjadinya kebakaran hutan/lahan dan FWI merupakan potensi tingkat kesulitan pengendalian kebakaran hutan/lahan yang ditinjau dari parameter cuaca (BMKG. 2013).

Badan Meteorologi, Klimatologi dan Geofisika (BMKG) sebagai lembaga yang berwenang dalam informasi menggunakan data cuaca di Indonesia, telah melakukan operasionalisasi SPBK secara nasional sejak Februari 2002 (Guswanto dan Heriyanto. 2009). Parameter yang digunakan untuk menyusun SPBK menggunakan data observasi stasiun cuaca seluruh wilayah Indonesia, seperti suhu udara, kelembapan, kecepatan angin, arah angin, dan curah hujan kumulatif.

(21)

data secara sistematis dan spasial, dan terkini (update) menjadikan data ini sebagai data yang handal untuk kegiatan pemantauan (Vetrita et al. 2012).

Musim kemarau yang berkepanjangan menjadi salah satu pendukung utama terjadinya kebakaran hutan dan lahan di Indonesia, terutama di beberapa daerah rawan kebakaran. Kebakaran tersebut memberikan dampak yang besar terhadap kabut asap dan penyebaran asap (smoke dispersion) yang tidak terkendali. Kurangnya informasi mengenai penyebaran asap di beberapa wilayah yang terpapar turut memberikan andil dalam penurunan kualitas kesehatan dan kehidupan masyarakat sekitar daerah tersebut. Penyebab utama kejadian kebakaran hutan/lahan di Indonesia adalah akibat ulah manusia dalam kegiatan penyiapan lahan, baik oleh masyarakat lokal maupun pengelola HTI dan perkebunan (Syaufina. 2008).

1.2 Kerangka Pemikiran

Sistem Peringkat Bahaya Kebakaran (SPBK) dengan menggunakan sistem FWI menyediakan peringkat potensi kebakaran berdasarkan parameter data cuaca, dimana kode FWI biasanya dihitung dari titik-titik pengamatan dengan input parameter suhu udara, kelembapan udara, kecepatan angin, arah angin, curah hujan kumulatif dan tekanan permukaan.

Perkembangan operasional SPBK milik BMKG saat ini menggunakan data observasi cuaca di 331 titik pengamatan yang tersebar di Asia Tenggara. Data stasiun cuaca digunakan untuk menghitung kode-kode FWI masih berbasiskan titik (point base), untuk menjadikan suatu informasi spasial (keruangan) memerlukan teknik interpolasi. Hal ini dapat menimbulkan kesalahan terutama apabila jarak titik stasiun sangat berjauhan dan tidak mewakili topografi wilayah (Narasimhan dan Srinivasan. 2002). Perbedaan teknik interpolasi yang digunakan akan menghasilkan informasi spasial yang berbeda pula. Teknik interpolasi memerlukan jaringan stasiun cuaca yang cukup mewakili suatu wilayah. Untuk suatu wilayah yang luas seperti Sumatera maupun Kalimantan diperlukan jaringan stasiun cuaca yang terdistribusi homogen, sehingga dapat mewakili seluruh wilayah di Sumatera maupun Kalimantan (Khomarudin et al. 2005).

(22)

terdapat liputan awan tinggi dapat mempengaruhi proses pengolahan data dan hasil informasi SPBK.

Salah satu cara untuk mengatasi hal tersebut dengan memanfaatkan data luaran model Numerical Weather Prediction (NWP). Data luaran model NWP merupakan suatu data yang potensial untuk memprediksi unsur-unsur cuaca sebagai database SPBK. Daerah dimana lokasi stasiun cuaca tidak terjangkau, data model dapat digunakan untuk menyediakan informasi spasial dengan data yang lebih rapat, lengkap dan homogen untuk suatu cakupan wilayah.

SPBK yang dikembangkan saat ini tidak dilengkapi dengan informasi dispersi asap jika terjadi kebakaran hutan/lahan. Hal ini menjadi masalah ketika kabut asap melintas ke negara tetangga (transboundary haze), mengganggu transportasi dan aktivitas, serta menurunkan kualitas kesehatan masyarakat. Dengan deteksi dini dispersi asap diharapkan dapat memberikan peringatan dini kepada masyarakat dan instansi terkait agar melakukan persiapan khusus menghadapi bencana kabut asap. Penelitian ini mengembangkan SPBK dengan menggunakan salah satu luaran model NWP yaitu Weather Research Forecasting (WRF) yang dikembangkan oleh National Center for Atmospheric Research (NCAR) dan National Center for Environmental Prediction (NCEP). Parameter cuaca luaran WRF digunakan untuk menyusun database SPBK dengan resolusi spasial 9 x 9 km. SPBK akan diintegrasikan dengan model dispersi asap kebakaran hutan/lahan wilayah Sumatera dan Kalimantan. Secara garis besar kerangka pikir penelitian dijelaskan Gambar 1.

(23)

1.3 Perumusan Masalah

Rumusan masalah ini dapat dituangkan dalam pertanyaan berikut:

1. Bagaimana memanfaatkan data model WRF sebagai database penyusun SPBK.

2. Perlunya mengetahui dispersi asap kebakaran hutan/lahan sebagai peringatan dini terhadap wilayah yang terdampak.

3. Apakah hasil SPBK berbasis data model akan lebih baik dalam memberikan keakuratan informasi dini terkait kebakaran hutan/lahan termasuk pola dispersi asapnya.

4. Bagaimanakah aktivitas masyarakat lokal dalam memanfaatkan lahan, khususnya dalam penyiapan lahan pertanian.

1.4 Tujuan Penelitian

Berdasarkan perumusan masalah diatas, maka tujuan penelitian ini adalah: 1. Mengembangkan SPBK dan simulasi dispersi asap menggunakan data model

WRF.

2. Melakukan analisis dan verifikasi SPBK dan simulasi dispersi asap diwilayah Sumatera dan Kalimantan.

3. Mengidentifikasi aktivitas masyarakat lokal dalam menyiapkan lahan untuk pertanian.

1.5Manfaat Penelitian

(24)

BAB II

TINJAUAN PUSTAKA

2.1. Kebakaran Hutan/Lahan

Kebakaran hutan didefinisikan sebagai proses reaksi cepat oksigen dan unsur‐unsur lainnya dan ditandai dengan panas, cahaya serta biasanya menyala. Proses kebakarannya menyebar bebas dengan mengkonsumsi bahan bakar berupa vegetasi yang masih hidup maupun mati, serasah, humus, semak dan gulma (Brown dan Davis. 1973). Syaufina (2008) mendefinisikan kebakaran hutan sebagai kejadian dimana api melahap bahan bakar bervegetasi, yang terjadi di dalam kawasan hutan yang menjalar secara bebas dan tidak terkendali, sedangkan kebakaran lahan terjadi di kawasan non hutan. Kebakaran di Indonesia seringkali membakar areal hutan dan areal non hutan dalam waktu bersamaan akibat penjalaran api dari kawasan hutan ke kawasan non hutan, atau sebaliknya. Hasilnya, istilah kebakaran hutan/lahan menjadi istilah yang melekat untuk kejadian kebakaran di Indonesia.

Dalam dua puluh tahun terakhir, kebakaran telah menjadi salah satu ancaman terbesar bagi hutan hujan tropis terutama di Indonesia. Kebakaran merupakan hal yang sering terjadi di Pulau Kalimantan dan Sumatra dengan luas terbesar pada tahun 1986, 1991, 1994 dan 1997. Kondisi tersebut diperparah oleh fenomena El Nino tahun 1997/1998, kebakaran tak terkendali telah menghancurkan areal sangat luas dari hutan hujan dan semak belukar di Indonesia. Hutan hujan Indonesia terbakar karena beberapa faktor yang saling berhubungan yang berkaitan dengan manusia dan alam. Kemungkinan terbakarnya suatu hutan bergantung pada tingkat bahaya dan resiko api. Bahaya api adalah ukuran tentang jumlah, jenis dan kekeringan bahan bakar potensial yang ada di hutan. Tingkat resiko api umumnya berhubungan dengan tindakan manusia, seperti melakukan pembakaran di dekat hutan saat bahaya kebakaran tinggi (Glover dan Jessup. 2002).

2.2. FaktorFaktor Yang Mempengaruhi Kebakaran Hutan/Lahan

Secara garis besar kebakaran hutan dapat disebabkan oleh faktor alam dan faktor manusia. Menurut Suratmo (2003) penyebab utama kebakaran hutan/lahan di beberapa wilayah di Indonesia dipengaruhi oleh faktor manusia baik dikarenakan kelalaian maupun kesengajaan (pembukaan lahan/slash and burning) dan kecil kemungkinannya disebabkan oleh faktor alamiah seperti fenomena alam, petir, gesekan kayu dan lain-lain.

2.2.1. Faktor Alam

2.2.1.1. Bahan Bakar

(25)

hubungannya dengan bahan bakar adalah kadar air, jumlah (potensi), dan ketebalan bahan bakar (Brown dan Davis. 1973). Wright dan Bailey (1982) menyatakan bahwa jenis bahan bakar semak dan anakan, penutup tanah serta serasah merupakan bahan bakar halus yang sangat mudah menyala. Demikian juga cabang yang mati dan sisa tebangan adalah bahan bakar potensial dan mudah menyala sehingga dalam jumlah banyak dapat menyebabkan area kebakaran yang sangat luas. Makin kecil ukuran bahan bakar, maka proses transfer panas melalui radiasi, konveksi dan konduksi dari titik yang sedang terbakar ke bahan yang belum terbakar dapat berlangsung bersamaan sehingga suhu penyalaan cepat tercapai (Davis. 1959).

Menurut Clar dan Chatten (1954) ada beberapa hal yang mempengaruhi kebakaran yaitu :

1. Ukuran bahan bakar, bahan bakar yang halus lebih cepat kering dan lebih mudah terbakar sedangkan bahan bakar kasar lebih sulit terbakar.

2. Susunan bahan bakar, bahan bakar yang menyebar secara horizontal mempercepat meluasnya kebakaran.

3. Volume bahan bakar, bahan bakar dalam jumlah besar akan memperbesar nyala api, temperatur tinggi dan sulit dipadamkan.

4. Kerapatan bahan bakar, kayu akan terbakar dengan baik pada kerapatan tinggi dan pada bila kerapatan rendah; sedangkan rumput akan lebih mudah terbakar pada saat kerapatan rendah dan berhenti bila kerapatan tinggi.

5. Kadar air bahan bakar, bahan bakar yang banyak mengandung air lebih sulit terbakar.

Banyak sedikitnya serasah dalam hutan yang berpotensi untuk terbakar sangat tergantung pada jenis pohon yang mendominasi hutan dan juga musim. Sedangkan yang dimaksud dengan kadar air bahan bakar adalah jumlah kandungan air dalam bahan bakar yang dinyatakan dalam persentase berat air terhadap berat kotor bahan bakar yang dikeringkan pada suhu 100ºC (Clar and Chatten. 1954).

2.2.1.2.Tipe Tanah

Kebakaran di lahan gambut merupakan jenis kebakaran yang paling berbahaya bila dibandingkan dengan tipe kebakaran hutan yang lainnya yang sulit dideteksi dan dikendalikan. Kebakaran di tanah gambut menembus ke bawah lapisan tanah dan membentuk lubang corong, kemudian api menyebar di bawah permukaan secara horizontal dan vertikal (Syaufina. 2002).

Hutan gambut yang tumbuh di atas tanah tipe gambut adalah tipe hutan rawa gambut (peat swamp forest). Kejadian kebakaran hutan dan lahan di daerah bergambut pada umumnya dipengaruhi oleh kandungan air gambut, jumlahnya sesuai dengan curah hujan dikurangi dengan evapotranspirasi (Rahayu. 1998), dan dipengaruhi oleh kondisi drainase (Kusmana et al. 2008).

(26)

sisa batang dan tunggul pohon, yang akan mudah terbakar. Kebakaran merambat sangat cepat dan sulit dideteksi karena merambat di bawah permukaan tanah (Syaufina. 2004). Api pada kebakaran gambut tidak bergerak cepat tetapi dapat berlangsung berminggu‐minggu sampai sebulan atau lebih lama (De Bano et al. 1998).

2.2.1.3. Topografi dan Kelerengan

Topografi berpengaruh terhadap penjalaran api di mana daerah yang tidak rata (frekuensi dan variasi topografi cukup besar) berkaitan dengan penyebaran kebakaran yang tidak teratur yang dapat menyulitkan pemadaman. Berkaitan dengan kelerengan tempat dinyatakan bahwa kecepatan penjalaran api meningkat dua kali pada setiap kenaikan kelerengan sebesar 10º (Brown dan Davis. 1973). Dijelaskan juga bahwa kecepatan penjalaran api meningkat dua kali lipat pada kelerengan 15º – 30º dan setiap 10º setelahnya.

2.2.1.4. Cuaca/Iklim

Fuller (1991) menyatakan bahwa cuaca sangat mempengaruhi bagaimana, di mana, dan kapan kebakaran hutan dapat terjadi sehingga pengendali kebakaran hutan menyebutnya sebagai cuaca kebakaran (fire weather), yaitu sifat-sifat cuaca yang mempengaruhi terjadinya kebakaran. Misalnya cuaca panas yang kering sisertai dengan angin rebut, badai, dan petir akan menyebabkan kebakaran.

Sebagai salah satu unsur segitiga lingkungan api, iklim dan/atau cuaca memegang peran sangat penting dalam terjadinya kebakaran hutan dan lahan. Chandler (1983) menyatakan bahwa cuaca dan iklim berhubungan dengan kebakaran hutan melalui dua jalan, yaitu menentukan panjang dan keparahan musim kebakaran serta menentukan jumlah bahan bakar hutan pada suatu daerah.

Menurut Syaufina (2008) iklim atau cuaca mempengaruhi kebakaran hutan secara berbeda tetapi saling berhubungan, yaitu menentukan jumlah bahan bakar yang tersedia, kerasnya musim kebakaran yang panjang, mengatur kadar air dan flamabilitas dari bahan bakar mati, mempengaruhi proses penyalaan dan penjalaran bahan bakar hutan.

Iklim suatu tempat dipengaruhi oleh letak lintang, lereng, ketinggian, serta seberapa jauh jarak tempat tersebut dari perairan dan juga keadaan arus lautnya. Wilayah yang berada dekat dengan garis ekuator bumi (derajat lintang rendah atau nol) seperti Indonesia beriklim tropis, sedangkan wilayah lintang menengah dan tinggi sebagai daerah iklim subtropis dan iklim kutub (Aldrian et al. 2011)

(27)

Gambar 2. Tiga wilayah iklim di Indonesia. Wilayah A (Monsun) garis ungu, Wilayah B (Ekuatorial) garis biru putus, dan Wilayah C (lokal) garis merah putus (Aldrian dan Susanto).

Curah hujan pola monsunal dicirikan oleh tipe curah hujan yang bersifat unimodial (satu puncak musim hujan) dimana pada bulan Juni-Juli-Agustus terjadi musim kering, sedangkan bulan Desember-Januari-Februari merupakan bulan basah, dan enam bulan sisanya merupakan periode peralihan (pancaroba). Daerah yang didominasi oleh pola monsun berada didaerah Sumatera bagian Selatan, Kalimantan Tengah dan Selatan, Jawa, Bali, Nusa Tenggara dan sebagian Papua.

Pola ekuatorial dicirikan oleh tipe curah hujan dengan bentuk bimodial (dua puncak hujan), biasanya terjadi sekitar bulan Maret dan Oktober. Pola ini terdapat diwilayah Sumatera bagian tengah dan utara, serta Kalimantan bagian utara. Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu puncak hujan), tetapi bentuknya berlawanan dengan tipe hujan monsun, wilayahnya meliputi Maluku, Sulawesi dan sebagian Papua.

a. Suhu Udara

(28)

faktor pengatur perubahan tekanan udara, kelembapan udara dan evaporasi. Peningkatan suhu udara di suatu tempat menyebabkan penurunan kerapatan udara yang akan diikuti oleh penurunan tekanan. Hal sebaliknya terjadi pada suhu udara menurun. Peningkatan suhu udara juga menyebabkan peningkatan kapasitas udara menampung uap air, sehingga walaupun jumlah molekul uap tetap kelembapan relatif akan menurun jika suhu udara meningkat. Peningkatan suhu udara juga akan meningkatkan evaporasi, karena turunnya kelembapan (RH) akan meningkatkan defisit tekanan uap yang merupakan salah satu pembangkit penguapan. Suhu akan berangsur-angsur turun dengan meningkatnya ketinggian tempat, sehingga banyaknya satuan panas berbeda-beda. Ada 3 alasan yang menyebabkan kejadian ini, yaitu : 1. Sumber pemanasan utama udara adalah bumi.

2. Kerapatan uap air menurun dengan menurunnya ketinggian, jadi panas sedikit dapat disimpan di udara.

3. Suhu menurun yang merupakan hasil ekspansi dari udara yang naik dari permukaan bumi.

Menurut Saharjo (2003) pada pagi hari dengan suhu yang cukup rendah sekitar 20ºC ditambah dengan rendahnya kecepatan angin membuat api tidak berkembang sehingga terkonsentrasi pada suatu titik. Sementara siang hari dengan suhu 30-35ºC sedangkan kadar air bahan bakar cukup rendah (<30%) membuat proses pembakaran berlangsung cepat dan bentuk kebakarannya pun tidak satu titik, tapi berubah-rubah karena pengaruh angin.

b. Curah Hujan

Curah hujan dapat didefinisikan sebagai jumlah air yang jatuh di permukaan tanah dan diukur sebagai tinggi air dalam satuan mm (milimeter) sebelum mengalami aliran permukaan, evaporasi dan peresapan atau perembesan ke dalam tanah. Curah hujan berpengaruh terhadap kelembapan bahan bakar. Jika curah hujan tinggi maka kelembapan bahan bakar juga akan tinggi sehingga menyulitkan terjadinya kebakaran (Septicorini. 2006).

Curah hujan merupakan unsur iklim yang memiliki korelasi yang tinggi dengan kejadian kebakan hutan dan merupakan faktor yang paling penting dalam menentukan akumulasi bahan bakar rerumputan (Van Wilgen et al. 1990). Triani (1995) menyatakan bahwa faktor yang sangat besar pengaruhnya terhadap luasnya areal yang terbakar adalah masa kemarau yang terlalu panjang. Sebagian besar hujan dihasilkan oleh penurunan suhu pada arus udara yang naik pada lereng pegunungan atau oleh adanya perbedaan pemanasan lokal antara satu tempat dengan tempat lainnya. Keadaan tersebut masing-masing akan menimbulkan sirkulasi udara untuk mencapai keseimbangan hingga memungkinkan memberikan dampak pola cuaca lokal.

c. Kelembapan Udara

(29)

dikarenakan kelembapan (kadar air udara) dapat menentukan jumlah kandungan air di dalam bahan bakar. Semakin sedikit kadar air di udara (RH kecil) maka semakin mudah bahan bakar mengering. Kelembapan udara dari siang hari berkisar antara 80-85 % akan membuat proses kebakaran berlangsung cepat karena kadar air bahan bakar cukup rendah (<30%), sebaliknya pada pagi hari kelembapan relatif tinggi yaitu sekitar 90-95% ditambah dengan rendahnya kecepatan angin membuat api tidak berkembang sehingga terkonsentrasi pada satu titik.

d. Angin

Menurut Chandler (1983) angin merupakan salah satu faktor penting dari faktor-faktor cuaca yang mempengaruhi kebakaran hutan. Angin membantu pengeringan bahan bakar yaitu sebagai pembawa air yang sudah diuapkan dari bahan bakar. Angin juga mendorong meningkatkan pembakaran dengan mensuplai udara secara terus-menerus dan peningkatkan penjalaran melalui kemiringan nyala api yang terus merembet pada bagian bahan bakar yang belum terbakar.

2.2.2. Faktor Aktivitas Manusia

Penyebab kebakaran hutan di Indonesia umumnya adalah manusia baik sengaja maupun karena unsur kelalaian, di mana kegiatan konversi menyumbang 34%, peladang liar 25%, pertanian 17%, kecemburuan sosial 14%, proyek transmigrasi 8% dan hanya 1% yang disebabkan oleh alam (Dephut. 2002). Faktor aktivitas manusia sekitar hutan berpengaruh nyata terhadap kejadian kebakaran hutan dan lahan dengan korelasi positif, yaitu pengeluaran rumah tangga, dan kegiatan masyarakat di dalam kawasan hutan (Soewarso. 2003). Meningkatnya akses manusia ke dalam kawasan hutan meningkatkan kemungkinan terjadinya pembalakan liar, pembukaan lahan dengan pembakaran.

Kebakaran yang dilakukan oleh masyarakat biasanya di latar belakangi oleh faktor sosial ekonomi. Faktor ini sangat erat hubungannya dengan konsep penggunaan lahan oleh masyarakat, dimana masyarakat yang luas lahannya kecil/tidak memiliki lahan akan berupaya membuka lahan baru atau ikut kerjasama dengan masyarakat pendatang dalam bentuk kelompok tani, yayasan, atau koperasi (Pratondo. 2007).

Pembukaan lahan oleh petani hutan bertujuan untuk membuka ladang baru atau memperluas lahan miliknya yang penyiapan lahannya dilakukan dengan sistem tebas, tebang dan membakar. Semak merupakan area dengan kemungkinan aktivitas peladang berpindah. Pada umumnya mereka membuat sekat bakar, melakukan pembakaran balik, menjaga nyala api sampai padam. Pembukaan lahan juga dilakukan oleh perambah hutan, namun tujuannya adalah untuk mencari kayu. Kebakaran akan semakin luas dengan bertambahnya pendatang baru yang akan membuka ladang dengan pembakaran.

(30)

lahan secara besar‐besaran untuk kelapa sawit, di mana setelah IUPHHK memanen kayu komersial, maka selanjutnya terjadi perubahan status lahan dari hutan menjadi perkebunan sawit atau IUPHHK HT. Dalam penyiapan lahannya mereka menggunakan api untuk membersihkan bahan bakar yang terdapat di atas permukaan tanah.

2.3. Sistem Peringkat Bahaya Kebakaran Hutan/Lahan (SPBK)

Sistem peringatan dini kebakaran hutan dan lahan di Indonesia ditunjukkan dengan Sistem Peringkat Bahaya Kebakaran (Fire Danger Rating System) sebagai sistem peringatan dini bahaya kebakaran. Di Indonesia, sistem ini dikembangkan oleh Canadian Forest Service (CFS) dan lembaga pemerintah, seperti Kementerian Kehutanan, Badan Meteorologi Klimatologi dan Geofisika (BMKG), dan Lembaga Antariksa dan Penerbangan Nasiona (LAPAN), yang didukung dana hibah dari Canadian Internasional Development Agency (CIDA). Keluaran dari sistem peringatan dini tersebut berupa peta tentang kemudahan dimulainya api, tingkat kesulitan pengendalian api, dan kondisi kekeringan di wilayah Indonesia.

Peringkat bahaya kebakaran hutan adalah proses dari evaluasi sistematik faktor-faktor tunggal maupun kombinasi yang mempengaruhi bahaya kebakaran hutan. Sedangkan sistem peringkat bahaya kebakaran hutan/lahan (SPBK) adalah metode prakiraan yang mengukur resiko kebakaran dari permulaan muncul sampai penyebarannya. Prakiraan ini berdasarkan pada data dan informasi cuaca yang dimodifikasikan dengan analisis vegetasi sebagai bahan bakar serta data mengenai kebakaran itu sendiri. SPBK memerlukan input data cuaca pada saat kejadian dan data cuaca historikal (sebelumnya). Informasi cuaca diperlukan untuk mengetahui gambaran cuaca. Sedangkan informasi iklim historikal diperlukan untuk kalibrasi atau menyesuaikan kondisi setempat. SPBK menyediakan informasi untuk:

1. Pencegahan (Prevention)

- Menyediakan metode perencanaan jangka pendek dan panjang untuk mengidentifikasikan daerah yang rawan terhadap kebakaran hutan.

- Menyediakan sistem untuk perijinan kegiatan pembakaran. 2. Monitoring

- Memberikan indikator bahaya kebakaran harian

- Penting untuk perencanaan pengawasan dari udara dan penekanan terhadap aktivitas maupun perundang-undangan mengenai pembakaran.

3. Mitigasi

- Memberikan pemodelan untuk menekan penyebaran optimal dari pemanfaatan sumber daya alam.

2.3.1. Indeks FWI(Fire Weather Index )

(31)

sekarang dan yang lalu. Sistem FWI dirancang untuk menghasilkan jumlah informasi yang maksimum dengan jumlah data harian atau antar jam yang minimum. FWI merupakan peringkat numerik dari intensitas kebakaran. Indeks ini secara umum disebut sebagai potensi tingkat kesulitan pengendalian bahaya kebakaran ditinjau dari aspek parameter cuaca. Bahaya kebakaran adalah indikasi umum dari semua faktor yang mempengaruhi kemudahan terbakar, penyebaran api, dampak fisik kebakaran dan tingkat kesulitan pengendalian kebakaran. Sistem FWI terdiri dari beberapa komponen yaitu kode kelembapan bahan bakar FFMC (Fine Fuel Moisture Code), DMC (Drought Moisture Code) dan DC (Drought Code). Tiap-tiap komponen memiliki nilai dengan skala masing-masing.

2.3.2. Indeks FFMC (Fine Fuel Moisture Code)

Merupakan peringkat numerik dari kandungan kelembapan dari serasah dan bahan bakar halus lainnya. Kode ini menandakan potensi kemudahan terjadinya kebakaran hutan/lahan ditinjau dari parameter cuaca (meteo.bmkg.go.id. 2013). Kode ini berkorelasi dengan kejadian-kejadian kebakaran yang disebabkan manusia. Kode ini digunakan untuk indikator potensi penyulutan api menjadi kebakaran. Berikut adalah tabel klasifikasi bahaya kebakaran hutan dan lahan dari indeks cuaca kebakaran atau FWI yang digunakan oleh BMKG yaitu :

Tabel 1. Klasifikasi tingkat bahaya FWI

Tabel 2. Klasifikasi tingkat bahaya FFMC

2.4. Sistem Informasi Geografis

(32)

ditangani dengan metode manual. Selain itu jika menggunakan metode manual akan lebih mahal, menghabiskan waktu lebih banyak dan tidak mungkin dilakukan secara praktis.

SIG mampu mengatasi berbagai macam masalah yang ada dalam dunia nyata, karena SIG menyimpan informasi real world sebagai kumpulan dari tematik layer yang dapat di link secara geografis. Data merupakan unsur yang penting pada SIG dimana keandalan suatu informasi yang disajikan akan sangat bergantung kepada kualitas datanya. SIG dapat diuraikan menjadi beberapa subsistem yang merupakan unsur dalam pengolahan data pada SIG. Subsistem tersebut seperti berikut ini:

1. Masukan Data

Subsistem ini bertugas untuk mengumpulkan dan mempersiapkan data spasial dan atribut dari berbagai sumber. Subsistem ini pula yang bertanggungjawab dalam mengkonversikan atau mengtransformasikan format data aslinya kedalam format yang dapat digunakan oleh SIG (Sistem Informasi Geografis).

2. Manajemen Data

Subsistem ini mengorganisasikan baik data spasial maupun atribut ke dalam sebuah basis data sedemikian rupa sehingga mudah dipanggil, diupdate, dan diedit. 3. Manipulasi dan Analisa Data

Subsistem manipulasi dan analisa data berfungsi untuk menentukan informasi yang bisa diberikan oleh SIG, bentuk data yang diperlukan harus ditentukan sebagai bagian dari kebutuhan sistem. Subsistem ini melakukan manipulasi dan pemodelan data untuk menghasilkan informasi yang diharapkan.

4. Keluaran Data

Subsistem keluaran data berfungsi untuk menampilkan atau menghasilkan keluaran seluruh atau sebagian basisdata baik dalam bentuk softcopy maupun bentuk hardcopy seperti: tabel, grafik, peta dan lain-lain.

2.5. Model Prediksi Cuaca WRF (Weather Research and Forecasting)

(33)

Weather Research & Forecasting (WRF) merupakan model Numerical Weather Prediction (NWP) yang lengkap dan relatif lebih mudah digunakan, walaupun untuk menjalankan sebuah model cuaca atau iklim masih membutuhkan pengetahuan dasar tentang ilmu cuaca dan ilmu komputer. WRF adalah salah satu model prediksi cuaca numerik skala meso yang saat ini sering digunakan secara luas dalam prediksi cuaca di seluruh dunia. WRF-ARW (The Advanced Research-WRF) yang merupakan salah satu post processing dari WRF dikembangkan oleh NCAR (National Center for Atmospheric Research) yang bekerja sama dengan National Centers for Environmental Prediction (NCEP) Colorado USA, dan didukung oleh Forecast System Laboratory of the NOAA (NOAA/FSL), Air Force Weather Agency (AFWA) serta instansi lainnya dengan versi pertamanya WRF versi 1.0 yang di rilis Desember 2000.

Gambar 3. Penerapan sistem NWP

Tidak semua proses di atmosfer bisa diselesaikan secara eksplisit dari persamaan gerak pada model numerik. Ada proses - proses di atmosfer yang memiliki skala spasial dan temporal lebih kecil dari skala grid dari model (sub-grid). Sehingga dalam setiap model NWP terdapat parameterisasi terhadap parameter cuaca yang perhitungannya tidak bisa dilakukan langsung dengan suatu rumusan matematis (Jascourt et al. 2000). Skema-skema parameterisasi ini mencoba membuat simulasi seperti kondisi nyata. Kombinasi dari parameterisasi yang berbeda akan memberikan hasil keluaran model yang berbeda pula.

2.6. Model Dispersi Asap WRF-Chem

WRF-Chem adalah model WRF dikopel (ditambah) dengan chemistry (kimia). Model tersebut dapat mensimulasikan emisi, transportasi, pencampuran, dan transformasi kimia jejak gas dan aerosol bersamaan dengan proses meteorologi. Model ini digunakan untuk investigasi skala regional kualitas udara, analisis program lapangan, dan interaksi skala-awan antara awan-awan dan kimia (Peckam et al. 2013)

(34)

disediakan oleh WPS (bagian dust erosion) atau membaca dalam inisialisasi real.exe (yaitu pembakaran biomassa, emisi biogenik, bagian background GOCART dll) atau membaca selama eksekusi WRF (yaitu emisi anthropogenik, syarat batas, emisi vulkanik dll). Ketika beberapa program yang disediakan oleh pengguna dalam pembangunan file-file data input eksternal (sebagaimana disebutkan sebelumnya) tidak semua pilihan emisi berfungsi untuk semua kemungkinan pilihan namelist dalam model WRF-Chem. Dengan kata lain, pembentukan data input emisi untuk simulasi kimia atmosfer dapat menjadi sangat komplek dan kadangkala pengguna akan membutuhkan modifikasi skrip atau konfigurasi model untuk mendapatkan hasil sesuai dengan keinginan.

Gambar 4. Diagram alur sistem WRF/WRF-Chem

Pengembangan WRF-Chem merupakan upaya kolaborasi antar masyarakat ilmuwan. NOAA/ESRL. Saat ini model WRF-Chem merupakan bagian dari paket pemodelan WRF. Paket model WRF-Chem terdiri dari komponen-komponen berikut: 1. Deposisi kering, di-kople dengan skema tanah/vegetasi.

2. Empat pilihan emisi biogenik: - Tanpa emisi biogenik.

(35)

- Modifikasi online emisi biogenik yang dispesifikasi oleh pengguna, seperti EPA Biogemic Emissions Inventory System (BEIS) version 3.13. Kelemahannya: pengguna harus menyediakan data emisi untuk domain yang mereka pilih sesuai dengan format file data WRF.

- Perhitungan online emisi biogenik dari MEGAN. 3. Tiga pilihan emisi antropogenik:

- Tidak ada emisi antropogenik.

- Emisi antropogenik yang dispesifikasikan pengguna seperti yang tersedia dari data yang tersimpan dalam EPA NEI-05. Kelemahannya: pengguna harus

menyediakan data emisi untuk domain yang mereka pilih sesuai dengan format file data WRF.

- Data emisi global dari data set 1.5º RETRO dan 10º EDGAR. 4. Beberapa pilihan mekanisme kimia fase-gas:

- Mekanisme kimia RADM2, RACM, CB-4 dan CBM-Z.

- Menggunakan Kinetic Pre-Processor (KPP) untuk menghasilkan mekanisme kimia.

5. Tiga pilihan skema-skema fotolisis:

- Skema madronich ditambah dengan parameterisasi hidrometeor, aerosol dan konvektif.

- Skema fotolisis Fast-J ditambah dengan parameterisasi hidrometeor, aerosol dan konvektif.

- Skema fotolisis F-TUV. 6. Tiga pilihan skema aerosol:

- The Model Aerosol Dynamics Model for Europe - MADE/SORGAM.

- The Model for Simulating Aerosol Interactions and Chemistry (MOSAIC - 4 or 8 bins).

- Massa keseluruhan modul aerosol dari GOCART.

7. Pengaruh langsung aerosol melalui interaksi atmosfer, fotolisis dan mikrofisika. 8. Pengaruh tidak langsung aerosol melalui interaksi radiasi atmosfer, fotolisis dan

mikrofisika.

9. Pilihan transpor pelacak dimana mekanisme kimia, deposisi dan lain-lain telah dimatikan.

(36)

BAB III METODE

3.1. Lokasi Penelitian

Lokasi penelitian dilakukan di wilayah Sumatera dan Kalimantan yang merupakan daerah rawan kebakaran hutan/lahan. Di wilayah Sumatera terdapat 4 (empat) provinsi rawan kebakaran hutan/lahan yaitu; Riau, Sumatera Utara, Sumatera Selatan dan Jambi, sedangkan di wilayah Kalimantan terdapat 4 (empat) provinsi yaitu; di Kalimantan Tengah, Kalimantan Barat, Kalimatan Selatan dan Kalimatan Timur.

Gambar 5. Lokasi penelitian

3.2. Bahan dan Alat

Bahan penelitian berupa data untuk menyusun database SPBK, masukan model WRF-Chem, dan bahan analisis serta verifikasi. Periode waktu yang digunakan pada penelitian ini bulan Juni-Juli-Agustus 2013. Jenis dan sumber data yang digunakan ditunjukkan pada Tabel 3.

Tabel 3. Jenis dan sumber data

No Jenis Data Sumber Data Keperluan

1 Cuaca observasi BMKG Verifikasi prediksi model cuaca WRF 2 Global Forecast System NCEP-NOAA Database WRF &WRF-Chem

(37)

No Jenis Data Sumber Data Keperluan

6 Hotspot FIRMS-MODIS Analisis SPBK

7 Satelit Terra/Aqua MODIS NASA Analisis & verifikasi dispersi asap 8 TC CO AIRS NASA Analisis & verifikasi dispersi asap

Software aplikasi atau tools yang digunakan untuk menunjang penelitian ini ditunjukkan pada Tabel 4.

Tabel 4. Software yang digunakan

No Software/Tools Keperluan

1 Weather Research and

Forecasting (WRF)

Mengolah, menurunkan skala, dan menghasilkan data cuaca prediksi resolusi 9 km wilayah Sumatera dan Kalimantan

2 WRF-Chem Membuat simulasi dispersi asap kebakaran hutan/lahan wilayah Sumatera dan Kalimantan

3 Microsoft Database Acces 2007

Menyiapkan dan mengolah data cuaca untuk database SPBK.

4 Spatial Fire Management

System (SFMS)

Mengolah dan menganalisis peta SPBK

5 Arcview 3.3, ERDAS 9.1 Mengolah, menganalisis, overlay dan melayout peta

6 Grid Analysis and Display

Systems (GrADS)

Menampilkan, menganalisis, dan men-verifikasi simulasi dispersi asap.

Alat yang digunakan untuk melakukan proses running model WRF adalah PC Cluster 16 node dengan menggunakan sistem operasi Linux Rock Cluster 4.1. Digunakan juga PC Desktop dengan sistem operasi Windows untuk mempersiapkan, mengolah, dan membuat peta SPBK serta menjalankan model WRF-Chem.

3.3. Pengolahan Data

Pengolahan data yang dilakukan terbagi menjadi empat tahap, yaitu; pengolahan data parameter cuaca model, pengolahan peta SPBK, pengolahan data dan simulasi dispersi asap, serta pengumpulan data aktivitas masyarakat lokal.

3.3.1. Pengolahan Data Cuaca Model

Tahapan pengumpulan dan pengolahan data model dilakukan dengan me-running model WRF menggunakan PC Cluster 16 node untuk menghasilkan data parameter cuaca, seperti; suhu udara, kelembapan, kecepatan dan arah angin, serta curah hujan kumulatif.

(38)

Penajaman resolusi model dilakukan hingga 9 km, dengan interval waktu 1 jam. Parameterisasi skema fisik yang digunakan dalam running model WRF adalah skema Cumulus (Grell 3D), skema Michrophysic (Lin et al scheme), dan skema Surface Layer menggunakan Monin-Obukhov. Format data luaran WRF berupa grid dalam bentuk Network Common Data File (NetCDF). Pengambilan nilai dilakukan pada setiap grid model dan dikonversi dalam format Microsoft Database (mdb) yang digunakan sebagai database penyusun peta SPBK.

3.3.2. Pengolahan Peta SPBK

Pengolahan database penyusun SPBK menggunakan aplikasi Microsoft Database Acces dengan fasilitas Open Database Connectivity (ODBC). Digunakan juga aplikasi Spatial Fire Managements Systems (SFMS) yang merupakan tool ekstensi pada software ArcView 3.3. SPBK yang dibangun menggunakan data model WRF adalah peta FFMC dan FWI. Proses pembuatan peta SPBK menggunakan teknik pembobotan (scooring) dan interpolasi dalam pengolahan spasial, serta proses tumpang tindih (overlay).

Tabel 5. Format tabel penyusun indeks FFMC dan FWI SPBK

STATION DATE

Data sebaran hotspot diunduh dari website FIRMS (Fire Information for Resources Managements Systems). Data FIRMS menggunakan sensor Aqua/Terra MODIS periode JJA-2013 wilayah Sumatera dan Kalimantan. Hotspot yang digunakan mempunyai tingkat kepercayaan antara 20% – 100%, data tersebut di kelompokkan atau clustering per provinsi di wilayah Sumatera dan Kalimantan, dan kemudian dianalisis berdasarkan distribusi sebarannya.

3.3.4. Pengolahan Data Simulasi Dispersi Asap

(39)

dengan interval waktu 1 jam untuk wilayah Sumatera dan Kalimantan. Pilihan kimiawi menggunakan profil kimiawi ideal, dan menggunakan pilihan emisi EDGAR simple emissions.

3.3.5. Pengolahan Data Aktivitas Masyarakat Lokal dalam Penyiapan Lahan Pertanian

Pengumpulan data aktivitas masyarakat lokal dilakukan dengan menggunakan kuesioner dan wawancara, metode sampling yang digunakan adalah simple random sampling. Pertanyaan dalam kuesioner terkait latar belakang dan aktivitas masyarakat lokal dalam memanfaatkan lahan gambut khususnya pada saat penyiapan dan pengolahan lahan untuk pertanian dan perkebunan. Pengambilan data dilakukan di wilayah Rasau Jaya (Kalimantan Barat) dan Kampar (Kepulauan Riau). Data yang terkumpul diolah, ditabulasikan, dianalisis kemudian diinterpretasikan.

3.4. Analisis dan Verifikasi

3.4.1. Analisis dan Verifikasi Data Cuaca Model

Data cuaca model WRF yang digunakan sebagai database penyusun SPBK menggunakan inisial waktu jam 13.00 WIB untuk setiap lokasi diwilayah Sumatera dan Kalimantan. Inisial waktu yang digunakan didasarkan pada asumsi bahwa waktu tersebut mewakili kondisi suhu puncak dan kelembapan terendah serta berpotensi tinggi terjadinya kebakaran hutan/lahan.

Sebelum data cuaca model digunakan sebagai database penyusun SPBK perlu dilakukan verifikasi. Proses verifikasi dilakukan terhadap luaran model untuk melihat tingkat akurasi model terhadap observasi, dengan menggunakan pendekatan statistik. Verifikasi parameter suhu udara, kelembapan, dan kecepatan angin dilakukan dengan perhitungan korelasi dan Root Mean Square Error (RMSE), ditunjukkan dengan persamaan Kyun (2002).

(1)

Dengan F = forecast (nilai prediksi model) dan O = observation (nilai pengamatan), metode prakiraan dikatakan baik jika memiliki nilai korelasi yang tinggi dan nilai RMSE yang rendah. Untuk mengetahui persentase kesalahan (percent

(40)

error) pada semua parameter antara hasil model dan observasi menurut Hanke (1992)

Dimana O adalah data hasil observasi, F adalah data hasil simulasi model dan E adalah hasil dari persentase kesalahan. Verifikasi parameter curah hujan kumulatif menggunakan metode pengukuran Threat Score (TS) yaitu untuk mengukur ketepatan prakiraan antara model dan observasi. Perhitungan nilai TS menggunakan metode Saito (2001) sebagai berikut:

Threat Score (4)

Dimana Nhit = jumlah hit, Npass = jumlah pass, dan Nfalse = jumlah false alarm. Hit adalah kondisi apabila hasil model dan observasi dalam waktu observasi sesuai. Pass adalah kondisi apabila kejadian tidak terprakiraan oleh model, namun teramati dalam waktu observasi. Sedangkan false alarm adalah kondisi apabila kejadian terprakiraan di model, namun tidak teramati dalam waktu observasi. Adapun untuk Prosentase Hit adalah Threat Score dikalikan 100. Hasil metode verifikasi akan didapatkan nilai korelasi, error, dan tingkat akurasi data model terhadap data observasi.

3.4.2. Analisis dan Verifikasi Peta SPBK

Hasil peta SPBK berbasis model dianalisis dan dibandingkan dengan peta SPBK berbasis observasi milik BMKG. Teknik verifikasi menggunakan metode pendekatan kualitatif maupun kuantitatif. Metode kuantitatif yang digunakan adalah korelasi, RMSE, dan percent error (persentase kesalahan) seperti pada persamaan no. 1, 2, dan 3 diatas. Hasil dari metode kuantitatif adalah nilai korelasi dan error antara peta SPBK berbasis model dan observasi.

3.4.3. Analisis Hubungan Hotspot dan SPBK

Analisis keterkaitan antara Sistem Peringkat Bahaya Kebakaran Hutan dan Lahan (SPBK) dengan kejadian titik panas (hotspot) dilakukan dengan teknik tumpang tindih (overlay) antara peta SPBK khususnya peta indeks FFMC dengan hotspot. Jika sebaran hotspot dominan terdapat pada wilayah dengan kategori mudah-sangat mudah terbakar (berwarna kuning-merah), artinya hotspot berkorelasi terhadap peta SPBK dan berpotensi tinggi terjadinya kebakaran hutan dan lahan diwilayah tersebut. Dalam menganalisis hubungan ini digunakan peta SPBK khususnya peta

(41)

indeks potensi kemudahan terjadinya kebakaran hutan/lahan (FFMC) pada periode puncak hotspot tanggal 19 dan 21 Juni, 21 dan 23 Juli di Provinsi Riau, serta tanggal 19 dan 26 Agustus di Provinsi Kalimantan Barat.

3.4.4. Analisis dan Verifikasi Simulasi Dispersi Asap

Analisis hasil simulasi dispersi asap model WRF-Chem dengan data satelit AIRS-NASA dilakukan secara kualitatif berdasarkan pola spasial kedua obyek. Pendekatan secara kuantitatif dilakukan dengan membandingkan nilai konsentrasi karbon monoksida (CO) maksimum pada 8 (delapan) titik atau lokasi di wilayah Sumatera dan Kalimantan. Metode analisis yang digunakan adalah pendekatan korelasi, RMSE, dan bias. Untuk mencari nilai korelasi dan RMSE hasil model dengan data satelit AIRS menggunakan persamaan no. 1 dan 2 di atas. Metode bias akan ditampilkan pada persamaan De Foy (2009) sebagai berikut.

Dimana F adalah forecast (nilai prediksi model) dan O merupakan observation (nilai pengamatan). Hasil dari analisis didapatkan nilai korelasi, dan error antara simulasi dispersi asap model WRF-Chem dengan data satelit AIRS-NASA.

3.4.5. Analisis Kuesioner Data Aktivitas Masyarakat Lokal

Analisis yang umum digunakan untuk inventarisasi data melalui kuesioner menurut Hadi (1998) adalah sebagai berikut;

1. Melakukan pengecekan jawaban yang lengkap dan yang tidak lengkap.

2. Mentabulasikan jawaban-jawaban ke daftar tabulasi. Pilah tabulasi jawaban yang lengkap dan yang tidak lengkap.

3. Meneliti jawaban yang tidak relevan dengan pertanyaan. Diputuskan apakah tidak konsistennya jawaban itu dinilai tidak valid, atau masih dapat dianalisis. 4. Data kuesioner yang sudah sesuai kebutuhan dianalisis dengan pendekatan

statistik dan selanjutnya diinterpretasikan.

Analisis kuesioner akan mengidentifikasi kegiatan/aktivitas masyarakat lokal dalam memanfaatkan lahan sehingga didapatkan gambaran perilaku dan kebiasaan masyarakat setempat dalam menyiapkan dan mengolah lahan gambut untuk pertanian dan perkebunan. Tahapan atau alur kerja penelitian secara umum ditunjukkan pada Gambar 6.

O F

(42)
(43)

BAB IV

HASIL DAN PEMBAHASAN

4.1. Keadaan Umum Wilayah Kajian

Secara geografis Pulau Sumatera dan Kalimantan terletak pada posisi antara -5°57' 53.58" - 5°42'57.32" LS dan 95°5'16.41" - 119°4'5.81" BT. Pulau terbesar keenam di dunia ini memiliki luas wilayah 470.000 km2 dan secara geografis pulau ini terletak di bagian barat gugusan kepulauan Nusantara. Di sebelah utara berbatasan dengan Teluk Benggala, di timur dengan Selat Malaka, di sebelah selatan dengan Selat Sunda, dan di sebelah barat dengan Samudra Hindia. Pulau Kalimantan mempunyai luas wilayah sebesar 549.032 km2, luasan ini merupakan 28% seluruh daratan Indonesia. Kalimantan berbatasan dengan Sabah dan Sarawak di bagian utara, sedangkan di bagian timur berbatasan dengan Selat Karimata, di bagian selatan berbatasan dengan Laut Jawa, dan di sebelah timur berbatasan dengan Selat Makassar, dan Laut Sulawesi (Kemendagri. 2013)

Wilayah Sumatera dan Kalimantan yang luas, seharusnya memiliki jaringan stasiun cuaca observasi yang rapat dan homogen. Keterbatasan data cuaca observasi untuk menyusun peta SPBK dapat memanfaatkan sumber data model luaran WRF resolusi 9 km. Lokasi sebaran data cuaca prediksi luaran WRF ditunjukkan Gambar 7.

Gambar 7. Koordinat lokasi data luaran WRF 9 km

4.2. Analisis dan Verifikasi Data Parameter Cuaca Model WRF

Proses running model WRF menghasilkan data prediksi cuaca untuk bulan Juni – Agustus 2013, dengan menggunakan luasan domain 5°57' 53.58" - 5°42'57.32" LS dan 95°5'16.41" - 119°4'5.81" BT dengan resolusi temporal 1 jam. Pengambilan nilai luaran WRF dilakukan pada setiap grid domain ukuran 9 km x 9 km berdasarkan titik yang terdekat dengan lokasi data cuaca observasi. Hasil luaran

(44)

model yang digunakan adalah parameter suhu, kelembapan, kecepatan dan arah angin, dan curah hujan kumulatif. Data prediksi cuaca model diverifikasi dengan data cuaca observasi wilayah Sumatera dan Kalimantan di 8 (delapan) propinsi yang merupakan wilayah rawan kebakaran hutan/lahan.

Data cuaca observasi yang digunakan sebagai verifikator data model di wilayah Sumatera adalah Bandara Polonia Medan-Sumatera Utara, Stasiun Meteorologi Pekanbaru-Riau, Bandara Sultan Thaha-Jambi, dan Talang Betutu-Palembang (Sumsel). Sedangkan data stasiun observasi cuaca di wilayah Kalimantan adalah; Bandara Supadio-Pontianak (Kalbar), Panarung-Palangkaraya (Kalteng), Bandara Syamsuddin-Banjarmasin (Kalsel), dan Temindung-Samarinda (Kaltim)

Grafik perbandingan antara parameter cuaca luaran WRF dengan observasi pada 8 (delapan) propinsi rawan kebakaran hutan/lahan di Sumatera dan Kalimantan ditunjukkan Gambar 8 -15.

4.2.1. Medan - Sumatera Utara

(45)

Gambar 8. Perbandingan suhu, kec. angin dan kelembapan wilayah Sumatera Utara

Puncak suhu maksimum observasi terjadi dibulan Juni mempunyai nilai 35ºC, sedangkan data WRF 32ºC. Kelembapan terendah terjadi bulan Juni pada hari yang sama saat suhu maksimum terjadi pada tanggal 20 Juni, nilai kelembapan hasil observasi adalah 46% sedangkan hasil WRF 55%. Nilai korelasi dan RMSE antara observasi dan WRF untuk parameter suhu sebesar 0.77 dan 1.09, parameter kelembapan mempunyai korelasi sebesar 0.76 dan RMSE sebesar 8.64, dan nilai korelasi parameter kecepatan angin 0.53 dan RMSE sebesar 2.41. Parameter kelembapan dan angin model WRF mempunyai nilai lebih besar (over forecasting) terhadap observasi. Nilai Threath Score untuk parameter curah hujan sebesar 65%. 4.2.2. Pekanbaru - Riau

(46)

Gambar 9. Perbandingan suhu, kec. angin dan kelembapan wilayah Riau

Puncak suhu maksimum data observasi terjadi di bulan Juni dengan nilai 34ºC, sedangkan data WRF mempunyai nilai maksimum 32ºC. Kelembapan terendah terjadi pada pertengahan bulan Juni, nilai kelembapan minimum data observasi adalah 40% sedangkan WRF sebesar 65%. Nilai korelasi dan RMSE antara observasi dan WRF untuk parameter suhu udara adalah 0.73 dan 1.85, parameter kelembapan mempunyai korelasi 0.66 dan RMSE sebesar 17.56, nilai korelasi parameter kecepatan angin 0.56 dan RMSE sebesar 4.43. Parameter kelembapan dan curah hujan model WRF mempunyai nilai lebih tinggi (over forecasting) terhadap data observasi. Nilai Threath Score untuk parameter curah hujan sebesar 68%.

4.2.3. Jambi

(47)

Gambar 10. Perbandingan suhu, kec. angin dan kelembapan wilayah Jambi

(48)

adalah 51% sedangkan data WRF sebesar 69%. Nilai korelasi dan RMSE antara data observasi dan WRF untuk parameter suhu udara adalah 0.75 dan 1.48, parameter kelembapan mempunyai korelasi sebesar 0.63 dan RMSE sebesar 16.28.

4.2.4. Palembang - Sumatera Selatan

Gambar 11 menunjukkan hasil perbandingan data suhu udara, kecepatan angin, dan kelembapan data observasi cuaca dengan WRF wilayah Sumatera Selatan.

(49)

Profil data suhu udara, angin dan kelembapan cukup berfluktuasi sepanjang periode JJA-2013. Puncak suhu maksimum data observasi terjadi dibulan Juni dengan nilai 33ºC, sedangkan data WRF mempunyai nilai maksimum 31ºC. Kelembapan terendah terjadi juga pada pertengahan bulan Juni, nilai kelembapan minimum data observasi adalah 50% sedangkan data WRF sebesar 62%. Nilai korelasi dan RMSE antara data observasi dan WRF untuk parameter suhu udara adalah 0.80 dan 1.40, parameter kelembapan mempunyai korelasi sebesar 0.66 dan RMSE sebesar 12.54, dan nilai korelasi parameter kecepatan angin 0.56 dan RMSE sebesar 4.92. Nilai Threath Score untuk parameter curah hujan sebesar 63%. Parameter kelembapan model WRF mempunyai over forecasting terhadap data observasi.

4.2.5. Pontianak – Kalimantan Barat

(50)

Gambar 12. Perbandingan suhu, kec. angin dan kelembapan wilayah Kalbar

Profil data suhu udara, angin dan kelembapan cukup berfluktuasi sepanjang periode JJA-2013. Puncak suhu maksimum data observasi terjadi dibulan Juni dengan nilai 33ºC, sedangkan data WRF mempunyai nilai maksimum 32ºC. Kelembapan terendah terjadi juga pada pertengahan bulan Agustus, nilai kelembapan minimum data observasi adalah 55% sedangkan data WRF sebesar 61%. Nilai korelasi dan RMSE antara data observasi dan WRF untuk parameter suhu udara adalah 0.70 dan 1.94, parameter kelembapan mempunyai korelasi sebesar 0.58 dan RMSE sebesar 11.01, dan nilai korelasi parameter kecepatan angin 0.55 dan RMSE sebesar 3.15. Parameter kelembapan model WRF mempunyai nilai lebih tinggi (over forecasting) terhadap data observasi.

4.2.6. Palangkaraya – Kalimantan Tengah

(51)

Gambar 13. Perbandingan suhu, kec. angin dan kelembapan wilayah Kalteng

Puncak suhu maksimum data observasi terjadi dibulan Juni dengan nilai 33ºC, sedangkan data WRF mempunyai nilai maksimum 32ºC. Kelembapan terendah terjadi pada pertengahan bulan Agustus dengan nilai kelembapan minimum data observasi 54% sedangkan data WRF sebesar 62%. Nilai korelasi dan RMSE antara observasi dan WRF untuk parameter suhu udara adalah 0.71 dan 1.47, parameter kelembapan mempunyai korelasi 0.66 dan RMSE sebesar 11.90, dan nilai korelasi parameter kecepatan angin 0.69 dan RMSE sebesar 3.0. Parameter kelembapan dan curah hujan WRF mempunyai over forecasting terhadap data observasi. Nilai Threath Score untuk parameter curah hujan sebesar 64%.

4.2.7. Banjarmasin – Kalimantan Selatan

(52)

Gambar 14. Perbandingan suhu, kec. angin dan kelembapan wilayah Kalsel

(53)

terendah terjadi juga pada pertengahan bulan Agustus, nilai kelembapan minimum data observasi adalah 51% sedangkan data WRF sebesar 64%. Nilai korelasi dan RMSE antara data observasi dan WRF untuk parameter suhu udara adalah 0.72 dan 1.83, parameter kelembapan mempunyai korelasi sebesar 0.68 dan RMSE sebesar 14.63, dan nilai korelasi parameter kecepatan angin 0.60 dan RMSE sebesar 3.88. Parameter kelembapan dan curah hujan model WRF mempunyai over forecasting terhadap data observasi. Nilai Threath Score untuk parameter curah hujan sebesar 61%.

4.2.8. Samarinda – Kalimantan Timur

(54)

Gambar 15. Perbandingan suhu, kec. angin dan kelembapan wilayah Kaltim

Profil data suhu udara, angin dan kelembapan cukup berfluktuasi sepanjang periode JJA-2013. Puncak suhu maksimum data observasi terjadi dibulan Juni dengan nilai 33ºC, sedangkan data WRF mempunyai nilai maksimum 33ºC. Kelembapan terendah terjadi pada pertengahan bulan Agustus, nilai kelembapan minimum data observasi adalah 58% sedangkan data WRF sebesar 65%. Nilai korelasi dan RMSE antara data observasi dan WRF untuk parameter suhu udara adalah 0.74 dan 1.59, parameter kelembapan mempunyai korelasi sebesar 0.73 dan RMSE sebesar 10.49, dan nilai korelasi parameter kecepatan angin 0.53 dan RMSE sebesar 2.91. Nilai Threath Score untuk parameter curah hujan sebesar 65%. Parameter kelembapan dan curah hujan model WRF mempunyai over forecasting terhadap data observasi.

Tabel 6 adalah hasil korelasi, persentase kesalahan, RMSE, dan akurasi untuk parameter suhu, kelembapan, kecepatan angin, dan curah hujan di wilayah Sumatera Utara, Riau, Sumatera Selatan, Jambi, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, dan Kalimantan Timur.

Figur

Gambar 3. Penerapan sistem NWP
Gambar 3 Penerapan sistem NWP . View in document p.33
Gambar 5. Lokasi penelitian
Gambar 5 Lokasi penelitian . View in document p.36
Tabel 3. Jenis dan sumber data
Tabel 3 Jenis dan sumber data . View in document p.36
Gambar 6. Tahapan kerja penelitian
Gambar 6 Tahapan kerja penelitian . View in document p.42
Gambar 8 merupakan hasil perbandingan data suhu udara, kecepatan angin,
Gambar 8 merupakan hasil perbandingan data suhu udara kecepatan angin . View in document p.44
Grafik perbandingan antara parameter cuaca luaran WRF dengan observasi
Grafik perbandingan antara parameter cuaca luaran WRF dengan observasi . View in document p.44
Gambar 9 adalah hasil perbandingan data suhu udara, kecepatan angin, dan
Gambar 9 adalah hasil perbandingan data suhu udara kecepatan angin dan . View in document p.45
Gambar 8. Perbandingan suhu, kec. angin dan kelembapan wilayah Sumatera Utara
Gambar 8 Perbandingan suhu kec angin dan kelembapan wilayah Sumatera Utara . View in document p.45
Gambar 10 adalah hasil perbandingan data suhu udara, kecepatan angin, dan
Gambar 10 adalah hasil perbandingan data suhu udara kecepatan angin dan . View in document p.46
Gambar 11.  Perbandingan suhu, kec. angin dan kelembapan wilayah Sumsel
Gambar 11 Perbandingan suhu kec angin dan kelembapan wilayah Sumsel . View in document p.48
Gambar 12 menunjukkan hasil perbandingan data suhu udara, kecepatan
Gambar 12 menunjukkan hasil perbandingan data suhu udara kecepatan . View in document p.49
Gambar 14 adalah perbandingan suhu udara, kecepatan angin, dan
Gambar 14 adalah perbandingan suhu udara kecepatan angin dan . View in document p.51
Gambar 15 menunjukkan hasil perbandingan data suhu udara, kecepatan
Gambar 15 menunjukkan hasil perbandingan data suhu udara kecepatan . View in document p.53
Tabel 6 adalah hasil korelasi, persentase kesalahan, RMSE, dan akurasi untuk
Tabel 6 adalah hasil korelasi persentase kesalahan RMSE dan akurasi untuk . View in document p.54
Gambar 16. Perbandingan hasil peta FFMC observasi (kiri) dan WRF (kanan)
Gambar 16 Perbandingan hasil peta FFMC observasi kiri dan WRF kanan . View in document p.57
Gambar 17. Perbandingan hasil peta FWI-observasi (kiri) dan WRF (kanan) tanggal
Gambar 17 Perbandingan hasil peta FWI observasi kiri dan WRF kanan tanggal . View in document p.58
Gambar 19 menunjukkan contoh peta FWI hasil luaran model WRF dan
Gambar 19 menunjukkan contoh peta FWI hasil luaran model WRF dan . View in document p.60
Gambar 19. Perbandingan hasil peta FWI-observasi (kiri) dan WRF (kanan)
Gambar 19 Perbandingan hasil peta FWI observasi kiri dan WRF kanan . View in document p.61
Gambar 20. Lokasi pengambilan nilai indeks FFMC dan FWI SPBK
Gambar 20 Lokasi pengambilan nilai indeks FFMC dan FWI SPBK . View in document p.62
Gambar 21. (Lanjutan)
Gambar 21 Lanjutan . View in document p.63
Gambar 21. (Lanjutan)
Gambar 21 Lanjutan . View in document p.64
Gambar 21 menunjukkan hasil perbandingan pola indeks FFMC dan FWI data
Gambar 21 menunjukkan hasil perbandingan pola indeks FFMC dan FWI data . View in document p.65
Tabel 7. Hasil korelasi, persentase kesalahan, dan RMSE
Tabel 7 Hasil korelasi persentase kesalahan dan RMSE . View in document p.65
Gambar 22 menunjukkan puncak hotspotwilayah Kalimantan. Distribusi dibulan Juni diwilayah Sumatera, dan puncak  periode JJA-2013 tertinggi terjadi hotspot pada bulan Agustus terdapat di hotspot untuk masing-masing provinsi di Sumatera dan Kalimantan dijela
Gambar 22 menunjukkan puncak hotspotwilayah Kalimantan Distribusi dibulan Juni diwilayah Sumatera dan puncak periode JJA 2013 tertinggi terjadi hotspot pada bulan Agustus terdapat di hotspot untuk masing masing provinsi di Sumatera dan Kalimantan dijela. View in document p.67
Gambar 24. Indeks peta FFMC model WRF dioverlay dengan hotspot di
Gambar 24 Indeks peta FFMC model WRF dioverlay dengan hotspot di . View in document p.68
Gambar 26 menjelaskan bahwa pola dispersi asap tanggal 23 Juli 2013 dari
Gambar 26 menjelaskan bahwa pola dispersi asap tanggal 23 Juli 2013 dari . View in document p.70
Gambar 26. Perbandingan simulasi dispersi asap (CO) WRF-Chem dengan
Gambar 26 Perbandingan simulasi dispersi asap CO WRF Chem dengan . View in document p.71
Gambar 27. Perbandingan simulasi dispersi asap (CO) WRF-Chem dengan                   Aqua/Terra MODIS dioverlay dengan data AIRS tanggal 22                              Agustus 2013 (a) tanggal 14 Agustus 2013 (b)
Gambar 27 Perbandingan simulasi dispersi asap CO WRF Chem dengan Aqua Terra MODIS dioverlay dengan data AIRS tanggal 22 Agustus 2013 a tanggal 14 Agustus 2013 b . View in document p.72
Gambar 29. Dokumentasi saat pengisian kuesioner dan wawancara (kiri) serta
Gambar 29 Dokumentasi saat pengisian kuesioner dan wawancara kiri serta . View in document p.74
Gambar 30. Presentase cara masyarakat lokal menyiapkan lahan untuk pertanian
Gambar 30 Presentase cara masyarakat lokal menyiapkan lahan untuk pertanian . View in document p.75

Referensi

Memperbarui...