Pengembangan Model Prediksi Risiko Kebakaran Hutan dan Lahan di Kalimantan Barat menggunakan Data Satelit

59 

Loading.... (view fulltext now)

Loading....

Loading....

Loading....

Loading....

Teks penuh

(1)

PENGEMBANGAN MODEL PREDIKSI RISIKO

KEBAKARAN HUTAN DAN LAHAN DI KALIMANTAN

BARAT MENGGUNAKAN DATA SATELIT

YADISTI EKA PUTRI

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)
(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model Prediksi Risiko Kebakaran Hutan dan Lahan di Kalimantan Barat menggunakan Data Satelit 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 skripsi ini.

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

(4)
(5)

ABSTRAK

YADISTI EKA PUTRI. Pengembangan Model Prediksi Risiko Kebakaran Hutan dan Lahan di Kalimantan Barat menggunakan Data Satelit. Dibimbing oleh RIZALDI BOER.

Frekuensi dan intensitas kejadian kebakaran hutan dan lahan dalam beberapa dekade terakhir cenderung semakin meningkat, walaupun upaya pencegahannya sudah banyak dilakukan. Kurang efektifnya upaya pencegahan kebakaran salah satunya disebabkan oleh belum berkembangnya sistem peringatan dini yang bersifat musiman. Penelitian ini ditujukan untuk mengembangkan model prediksi risiko kebakaran yang bersifat musiman, yaitu informasi peringatan yang dapat diinformasikan jauh lebih awal minimal 1 sampai 3 bulan di depan. Adanya informasi yang lebih awal ini diharapkan dapat membantu untuk melaksanakan aksi pencegahan yang lebih efektif. Metode yang digunakan ialah membangun model pendugaan titik api berdasarkan informasi anomali suhu permukaan laut di kawasan lautan pasifik (wilayah NIÑO 3.4) dan sifat hujan bulanan serta musiman. Titik api digunakan sebagai indikator untuk menunjukkan tingkat ancaman kebakaran. Model hubungan antara anomali suhu permukaan laut/sifat hujan dan titik api dibangun untuk 7 kategori penggunaan/penutupan lahan pada dua jenis lahan yaitu gambut dan mineral. Besar risiko kebakaran ditentukan berdasarkan besar peluang terjadinya jumlah titik melewati batas ambang menurut kondisi suhu permukaan laut di NIÑO 3.4. Nilai batas ambang yang digunakan dari nilai rata-rata titik api bulanan. Model risiko yang dibangun untuk provinsi Kalimantan Barat menggunakan data hotspot dari tahun 2001-2013 dari satelit Modis baik Terra dan Aqua. Hasil penelitian menunjukkan bahwa kepadatan titik api (hotspot) tertinggi umumnya terjadi sekitar bulan Agustus pada jenis tutupan lahan bukan hutan yang ada di lahan gambut. Keragaman tingkat kepadatan hotspot dari bulan Juli sampai Oktober pada lahan ini berhubungan nyata dengan keragaman anomali SPL di kawasan NIÑO 3.4 baik untuk jeda waktu (lag) 0 sampai 2 bulan di depan. Tingkat risiko kebakaran tinggi terjadi apabila kondisi SPL di NIÑO 3.4 melebihi 0.5oC. Dengan menggunakan pendekatan matriks risiko, peluang mendapatkan tingkat kepadatan hotspot di atas nilai rata-rata melebihi 50% apabila anomali suhu permukaan laut di NIÑO 3.4 di atas 0.5oC. Besar peluang ancaman kebakaran pada kondisi suhu permukaan laut di NIÑO 3.4 untuk lag 0, 1 dan 2 masing-masing mencapai 63%, 54% dan 50%. Penelitian selanjutnya disarankan untuk mengembangkan model prediksi hotspot memakai teknik regresi dua fase. Kata kunci: Kebakaran Hutan, Matrix Risiko, MODIS, Penutupan Lahan, Titik

(6)

ABSTRACT

YADISTI EKA PUTRI. Risk Prediction Model Development Forest Fires in West Kalimantan using Satellite Data. Supervised by RIZALDI BOER.

The frequency and intensity of forest and land fires in recent decades tend to increase, despite the prevention efforts have been made. In most cases, the prevention efforts were not effectice since the available early warning systems is on a daily basis or the longest is on weekly basis. The available time for the prevention is very short. This study aimed to develop seasonal fire early warning system, a system that can provide warning information with lead time of at least 1 to 3 month. With this system, it is expected that the preventive actions can be implemented more effectively. The method used was to build a hotspots prediction model based on information of sea surface temperature anomaly in the Pacific Ocean (NIÑO 3.4 region) and monthly and seasonally rainfall. Hotspots are used as an indicator to indicate the level of fire threat. Models that relate hotspot and sea surface temperature anomaly/seasonal rainfall were developed for seven land use/cover categories in two soil types, i.e. peat lands and minerals. The level of fire risk is determined based on the probability of having number of hotspot above threshold values under different condition of the sea surface temperature in the NIÑO 3.4. The threshold value is the same as the monthly average of hotspot number. The fire risk model was developed only for West Kalimantan province using hotspot data from 2001-2013 from Terra and Aqua satellites Modis. The results of the analysis suggested that the highest density of hotspots generally occured around August for non-forest land cover types of peat lands. Variability of hotspot density from July to October in this area was significantly correlated with the variability of SST anomalies in NIÑO 3.4 region with time lag of zero to two months. Based on risk matrix, it was found that the probability of having hotspot above the threshold value will be more than 50% if the the SST anomaly in NINO3.4 region was more than 0.5 oC. The probability to have hotspot number more than threshold value when the SST anomaly at lag 0, 1 and 2 month were 63%, 54% and 50% respectively. For the future research, it is suggested that the the development of hotspot forecasting model should use two-phase regression techniques.

(7)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains

pada

Departemen Geofisika dan Meteorologi

PENGEMBANGAN MODEL PREDIKSI RISIKO

KEBAKARAN HUTAN DAN LAHAN DI KALIMANTAN

BARAT MENGGUNAKAN DATA SATELIT

YADISTI EKA PUTRI

DEPARTEMEN GEOFISIKA DAN METEOROLOGI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(8)
(9)

Judul Skripsi : Pengembangan Model Prediksi Risiko Kebakaran Hutan dan Lahan di Kalimantan Barat menggunakan Data Satelit

Nama : Yadisti Eka Putri NIM : G24100037

Disetujui oleh

Prof Dr Ir Rizaldi Boer, MSc Pembimbing

Diketahui oleh

Dr Ir Tania June, MSc Ketua Departemen

(10)
(11)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2014 hingga September 2014 ini ialah kebakaran hutan, dengan judul Pengembangan Model Prediksi Risiko Kebakaran Hutan dan Lahan di Kalimantan Barat menggunakan Data Satelit.

Terima kasih penulis ucapkan kepada Bapak Prof Dr Ir Rizaldi Boer, MSc selaku pembimbing skripsi yang telah memberikan banyak ide, kritik serta saran demi kelancaran karya ilmiah ini. Terima kasih juga penulis ucapkan kepada seluruh dosen Laboratorium Klimatologi yang telah banyak memberi saran dan seluruh staf serta pengajar di Departemen Geofisika dan Meteorologi atas bimbingan serta ilmu yang diberikan selama menjalani perkuliahan. Di samping itu, penghargaan penulis sampaikan kepada Ka Eko Suryanto GFM 46 dan Ka Rahmi Ariani GFM 44 yang telah membantu dalam konsultasi data serta pengolahan data.

Ungkapan terima kasih juga disampaikan kepada ayah, mama, adik serta seluruh keluarga atas segala doa dan kasih sayangnya yang tiada batas. Tidak lupa penulis juga berterimakasih kepada Katon Bagaskara F yang telah memberikan motivasi serta semangat yang tiada henti selama pengerjaan karya ilmiah ini. Terima kasih juga penulis ucapkan kepada Tri Atmaja dan Alan Purba K serta seluruh teman-teman Geofisika dan Meteorologi angkatan 47, teman-teman GEMBELLE (Shailla R, Anggi R, Annisa N, Pipit PA dan Irza Arnita N) yang selalu setia menjadi teman dikala suka maupun duka, teman-teman Kominfo BEMKM IPB 2013, seluruh kerabat dekat di Institut Pertanian Bogor serta seluruh anggota Laboratorium Klimatologi khususnya teman satu bimbingan Ryco Farysca A dan Hasbi Bayhaqi atas dukungannya selama ini.

Semoga karya ilmiah ini bermanfaat.

(12)
(13)

DAFTAR ISI

DAFTAR TABEL x

DAFTAR GAMBAR x

DAFTAR LAMPIRAN xi

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

TINJAUAN PUSTAKA 3

Kebakaran Hutan dan Lahan 3

Penginderaan Jauh dalam Kebakaran Hutan dan Lahan 5 Deteksi Titik Api (Hotspots) Kebakaran Hutan dan Lahan 6

METODE 8

Waktu dan Tempat Penelitian 8

Bahan 8

Alat 8

Prosedur Analisis Data 8

HASIL DAN PEMBAHASAN 13

Jumlah dan Sebaran Titik Api (Hotspot) 13

Kepadatan Titik Api (Hotspot) Berdasarkan Jenis Lahan 14 Model Prediksi Peluang Titik Api (Hotspot) dengan Anomali SPL 25

SIMPULAN DAN SARAN 28

Simpulan 28

Saran 28

DAFTAR PUSTAKA 29

LAMPIRAN 32

RIWAYAT HIDUP 43

(14)

DAFTAR TABEL

1 Beberapa penelitian yang memakai teknologi penginderaan jauh dalam

deteksi kejadian kebakaran hutan 6

2 Tahun penutupan lahan berdasarkan tahun data hotspot 9 3 Hubungan kategori penutupan lahan menurut SNI 7645:2010 dan IPCC

2006 9

4 Matrix peluang risiko kebakaran 11

5 Kepadatan titik api (hotspot) pada jenis lahan gambut dan mineral 15 6 Rata-rata kepadatan titik api (hotspot) berdasarkan kategori penutupan

lahan pada lahan gambut 21

7 Rata-rata kepadatan titik api (hotspot) berdasarkan kategori penutupan

lahan pada lahan mineral 21

8 Hubungan kepadatan titik api (hotspot) terhadap curah hujan pada setiap kategori penutupan lahan pada lahan gambut 23 9 Hubungan kepadatan titik api (hotspot) terhadap curah hujan pada

setiap kategori penutupan lahan pada lahan mineral 23 10 Hubungan kepadatan titik api (hotspot) terhadap anomali SPL pada

setiap kategori penutupan lahan pada lahan gambut 24 11 Hubungan kepadatan titik api (hotspot) terhadap anomali SPL pada

setiap kategori penutupan lahan pada lahan mineral 24 12 Peluang kejadian dengan hotspot tinggi dan rendah menurut kondisi

anomali SPL berdasarkan beberapa lag pada lahan gambut 26 13 Peluang kejadian dengan hotspot tinggi dan rendah menurut kondisi

anomali SPL berdasarkan beberapa lag pada lahan mineral 27

DAFTAR GAMBAR

1 Prosedur analisis penelitian 12

2 Jumlah titik api (hotspot) tahunan di Provinsi Kalimantan Barat tahun

2001-2013 13

3 Rata-rata titik api (hotspot) bulanan di Provinsi Kalimantan Barat tahun

2001-2013 13

4 Kepadatan titik api (hotspot) di Provinsi Kalimantan Barat pada bulan

Juli-Oktober 15

5 Keterkaitan kepadatan titik api (hotspot) bulan Juli-Oktober terhadap

anomali SPL di Provinsi Kalimantan Barat 16

6 (a) Hubungan jumlah titik api (hotspot) dengan anomali SPL pada analisis seluruh bulan (b) Hubungan jumlah titik api (hotspot) kumulatif 3 bulan dengan anomali SPL rataan 3 bulan pada analisis seluruh bulan 16 7 (a) Hubungan jumlah titik api (hotspot) dengan anomali SPL pada

analisis bulan Juli-Oktober (b) Hubungan jumlah titik api (hotspot) kumulatif 3 bulan dengan anomali SPL rataan 3 bulan pada analisis

bulan Juli-Oktober 17

(15)

(hotspot) dengan anomali SPL pada analisis bulan Juli-Oktober saat lag

2 17

9 Keterkaitan kepadatan titik api (hotspot) bulan Juli-Oktober terhadap anomali curah hujan di Provinsi Kalimantan Barat 19 10 (a) Hubungan jumlah titik api (hotspot) dengan anomali curah hujan

pada analisis seluruh bulan (b) Hubungan jumlah titik api (hotspot) kumulatif 3 bulan dengan anomali curah hujan kumulatif 3 bulan pada

analisis seluruh bulan 19

11 (a) Hubungan jumlah titik api (hotspot) dengan anomali curah hujan pada analisis bulan Juli-Oktober (b) Hubungan jumlah titik api (hotspot) kumulatif 3 bulan dengan anomali curah hujan kumulatif 3

bulan pada analisis bulan Juli-Oktober 20

12 Kepadatan titik api (hotspot) berdasarkan kategori penutupan lahan di Provinsi Kalimantan Barat pada bulan Juli-Oktober dari tahun

2001-2013 22

13 (a) Kejadian kebakaran berdasarkan anomali SPL lag 0, lag 1 dan lag 2 menurut ambang batas pada lahan gambut (b) Kejadian kebakaran berdasarkan anomali SPL lag 0, lag 1 dan lag 2 menurut ambang batas

pada lahan mineral 26

DAFTAR LAMPIRAN

1 Hasil perhitungan jumlah titik api (hotspot) pada jenis lahan gambut di

Provinsi Kalimantan Barat 32

2 Hasil perhitungan jumlah titik api (hotspot) pada jenis lahan mineral di

Provinsi Kalimantan Barat 32

3 Hasil analisis regresi hubungan kepadatan titik api (hotspot) dengan anomali SPL dan curah hujan bulanan pada seluruh bulan 32 4 Hasil analisis regresi hubungan kepadatan titik api (hotspot) dengan

(16)
(17)

PENDAHULUAN

Latar Belakang

Kebakaran hutan merupakan peristiwa yang sering terjadi di Indonesia. Kejadian ini menjadi pusat perhatian dunia karena dampak yang ditimbulkan sangat besar tidak hanya pada tingkat lokal tetapi juga sampai pada tingkat global. Dampak lokal dapat berupa gangguan kesehatan yang timbulkan akibat kabut asap. Gangguan kesehatan tersebut berupa penyakit ISPA (Infeksi Saluran Pernapasan Atas) akibat udara yang sudah tercemarkan. Dampak lokal lainnya adalah gangguan penglihatan dan berkurangnya jarak pandang sehingga dapat menyebabkan gangguan aktivitas masyarakat termasuk gangguan penerbangan. Sementara itu, dampak global ialah dapat menyebabkan kenaikan konsentrasi C02

di atmosfer.

Kebakaran hutan dan lahan di Indonesia disebabkan oleh berbagai macam faktor. Sebagian besar kejadian kebakaran hutan di Indonesia disebabkan oleh faktor manusia, khususnya oleh masyarakat sekitar hutan dan perusahaan-perusahaan. Praktek persiapan lahan untuk penanaman yang masih menggunakan api seringkali menjadi pemicu penyebab terjadi kebakaran hebat khususnya pada saat terjadi kemarau panjang.. Fuller (1995) manyatakan bahwa unsur-unsur iklim sangat berpengaruh besar terhadap kejadian kebakaran hutan dan lahan karena iklim dapat mempengaruhi kondisi bahan bakar dan tingkat kemudahan terbakar.

ADB/BAPPENAS (1999) menyebutkan kebakaran hutan dan lahan yang sering terjadi di Indonesia banyak terjadi di pulau Kalimantan dan Sumatera. Kejadian kebakaran hutan dengan intensitas yang besar di Indonesia khususnya pulau Kalimantan dan Sumatera mulai terekam sejak tahun 1982-1983 pada saat terjadinya El Niño kuat. Selain tahun 1982-1983, kebakaran hebat kembali terjadi pada tahun El Niño 1987,1991,1994 dan 1997-1998 (Bowen et al. 2001). Kebakaran hebat kembali selalu berulang pada saat El Niño terjadi (van der Werf 2008). Kebakaran yang hebat dan sulit dikendalikan umumnya terjadi di lahan gambut (Jayantika 2013) dan kerugian ekonomi yang ditimbulkan oleh kebakaran ini sangat besar. Menurut Tacconi (2003), kebakaran hutan dan lahan gambut tahun 1997-1998 yang terjadi di Sumatera dan Kalimantan telah menimbulkan kerugian ekonomi mencapai 1,62-2,7 miliar dolar.

Fenomena El Niño yang selalu menjadi pemicu terjadinya kebakaran hebat di Indonesia, kejadiannya dapat dideteksi lebih awal. Fenomena El Niño biasanya mulai terjadi sekitar bulan Mei yang diindikasikan dengan terjadinya kenaikan suhu muka laut di kawasan lautan Pasifik melebihi normal. Kalau fenomena ini sudah terjadi, biasanya akan terus berlanjut sampai berakhir siklusnya. Kenaikan suhu muka laut di kawasan Pasifik akan berdampak pada menurunnya hujan di wilayah Indonesia, khususnya pada musim kemarau dan awal musim hujan akan mengalami keterlambatan dibanding normal. Oleh karena itu, penggunaan informasi kondisi suhu muka laut di kawasan Pasifik sangat potensial untuk memprakirakan besarnya risiko kebakaran di wilayah Indonesia, khususnya pada wilayah yang keragaman hujannya sangat dipengaruhi oleh fenomena ini.

(18)

2

cara yang cocok dan efektif dalam menggambarkan keragaman musiman, tahunan dan waktu terjadinya kebakaran (e,g, Sulistyowati 2004; Heryalianto 2005; Siwi 2013). Banyak penelitian menunjukkan bahwa keragaman titik api berhubungan nyata dengan keragaman hujan (Sukmawati 2006; Boer et al. 2009; Prasasti 2012; Jayantika 2013; Sulistyowati 2004; Siwi 2013; Samsuri 2008; Kayoman 2010). Jumlah titik api meningkat tajam pada saat hujan pada musim kemarau lebih rendah dari normal. Sementara itu, penelitian lain juga banyak menunjukkan bahwa keragaman hujan di Indonesia, khususnya kejadian iklim ekstrim seperti kekeringan juga seringkali berhubungan dengan kejadian El Niño (Kirono dan Partridge 2002; Boer dan Subbiah 2004).

Seperti yang dijelaskan sebelumnya, fenomena El Niño kejadiannya dapat dideteksi lebih awal. Oleh karena itu, banyak Negara mengembangkan model untuk memprakiraan peluang kejadian hujan dengan menggunakan indikator El Niño (Kirono dan Partridge 2002). Beberapa hasil penelitian menunjukkan bahwa sifat hujan pada suatu musim tertentu dapat dijelaskan oleh keragaman anomali suhu muka laut 2 bulan sebelumnya (disebut lag 2). Pengembangan model prakiraan ancaman kebakaran dengan menggunakan informasi anomali suhu muka laut diharapkan dapat meningkatkan efektifitas upaya pencegahan kebakaran di Indonesia karena ancaman kebakaran akan dapat diketahui lebih awal.

Pada saat ini, model ancaman kebakaran yang berkembang masih berdasarkan pada prakiraan cuaca yang selang waktu prakiraannya hanya dalam rentang waktu harian atau paling panjang satu minggu. Oleh karena itu sistem informasi peringatan dini yang berbasis informasi cuaca kurang efektif digunakan untuk upaya yang sifatnya pencegahan. Waktu yang tersedia untuk melakukan upaya pencegahan sangat singkat. Penggunaan informasi suhu muka laut di kawasan pasifik diperkirakan dapat menghasilkan sistem peringatan dini kebakaran yang sifatnya musiman. Dalam hal ini. sistem peringatan dini bersifat musiman mampu memberikan informasi akan besar tingkat ancaman bahaya (bencana) jauh lebih awal sampai beberapa bulan di depan.

Tujuan Penelitian

(19)

3

TINJAUAN PUSTAKA

Kebakaran Hutan dan Lahan

Brown dan Davis (1973) menjelaskan teori segitiga api atau biasa disebut The Fire Triangle. Segitiga api tersebut merupakan komponen penyusun untuk terjadinya suatu kebakaran. Komponen penyusun tersebut terdiri dari bahan bakar, sumber api (api) dan oksigen. Ketiga komponen dari segitiga api tersebut merupakan syarat terjadinya suatu kebakaran, karena jika salah satu komponen atau lebih tidak ada maka tidak akan terjadi suatu kebakaran. Sedangkan jika salah satu komponen atau lebih dalam kondisi lemah, maka pembakaran akan menurun.

Brown dan Davis (1973) menjelaskan bahwa proses kebakaran merupakan kebalikan dari proses fotosintesis. Sehingga persamaannya sebagai berikut:

Proses fotosintesis :

CO2 + H2O + Energi Matahari (C6H12O6 )n + O

Rekasi pembakaran :

(C6H12O6 )n + O + Kindling Temperature CO2 + H2O + Api

Adapun terdapat dua jenis faktor-faktor pendorong terjadinya kebakaran hutan dan lahan yaitu faktor biofisik dan faktor aktivitas manusia.

a. Faktor Biofisik 1. Jenis Bahan Bakar

Berdasarkan potensinya dalam menimbulkan kebakaran, Hawley dan Stickel (1948) dalam Heryalianto (2006) membagi tipe bahan bakar menjadi 7 kelompok, yaitu :

1. Pohon hidup yang menyusun hutan 2. Semak belukar

3. Rumput tanaman yang menutupi tanah 4. Serasah dan humus

5. Dahan mati dan lumut yang terdapat dipohon hidup 6. Pohon mati yang masih berdiri

7. Sisa pembalakkan 2. Iklim dan Cuaca

Iklim dan cuaca menentukan bagaimana keadaan bahan bakar yang tersedia di dalam hutan. Iklim dan cuaca tersebut mempengaruhi kadar air pada bahan bakar sehingga saat bahan bakar dalam keadaan kering maka proses penyalaan api dapat dengan mudah terjadi. Selain itu, menurut Famurianty (2011) faktor iklim dan cuaca yang mempengaruhi kebakaran hutan ,yaitu suhu dan kecepatan angin yang tinggi serta kelembaban dan curah hujan yang relatif rendah. Intensitas curah hujan yang tinggi namun frekuensinya pendek, tidak mampu meningkatkan kelembaban bahan bakar, sedangkan jika intensitas curah hujan rendah namun dalam waktu yang panjang maka bahan bakar akan lebih banyak menyerap air.

(20)

4

penjalaran api. Brown dan Davis (1973) menyatakan bahwa pola, lamanya dan intensitas musim kebakaran suatu daerah merupakan fungsi utama dari iklim tetapi sangat dipengaruhi oleh sifat bahan bakar hutan. Selain itu, musim kebakaran parah juga dihubungkan dengan musim kering yang berskala dan cenderung terjadi dalam suatu siklus.

Kebakaran hutan juga didukung oleh kondisi cuaca yang ekstrem. Cuaca ektrem tersebut ditandai kekeringan yang berkepanjangan yang disertai oleh suhu udara yang tinggi dan kelembaban relatif yang rendah. Hal tersebut menyebabkan kebakaran besar karena kondisi tersebut berhasil menurunkan kandungan kelengasan bahan bakar hutan mencapai kondisi rendah yang ekstrem. Sementara itu, kondisi kebakaran yang hebat biasanya terjadi pada siang hari yang terik dan beberapa kebakaran dengan intensitas tertinggi juga dapat terjadi pada malam hari. Penyebaran kebakarapun dapat terjadi sangat cepat ketika suhu maupun kelembaban udara tidak ekstrem (Brown dan Davis 1973).

Cuaca yang ekstrem tersebut dapat disebabkan oleh penyimpangan musim yang terjadi. Keberadaan musim seringkali mengalami pergeseran atau penyimpangan dari kondisi normal. Penyimpangan tersebut dapat menyebabkan dampak negatif. Salah satu penyimpangan iklim adalah fenomena El Niño Southern Oscilation (ENSO). Peristiwa El Niño Southern Oscilation (ENSO) akan berasosiasi dengan kejadian kemarau panjang atau biasa disebut kekeringan. Sebagai contoh El Niño Southern Oscilation (ENSO) tahun 1997 yang menyebabkan kebakaran hutan dengan intensitas yang cukup besar (Rajiman 2005).

3. Topografi

Menurut Famurianty (2011) faktor topografi juga mempengaruhi bagaimana penyalaan api sampai dengan penjalaran api. Faktor topografi antara lain kemiringan lahan ,bentang alam dan aspek. Semakin curam kemiringan suatu lereng, maka api akan semakin cepat penjalarannya. Hal ini disebabkan oleh aliran angin yang biasanya menuju puncak, sedangkan udara yang terapikan akan menambah kecepatan angin kemudian bara api akan jatuh ke bawah dan akhirnya akan menimpa pada bahan bakar baru. Selanjutnya, bentang alam juga berpengaruh terhadap pola angin setempat yang dapat menjadi penghalang dan merubah aliran udara yang menyebabkan turbulensi. Faktor topografi selanjutnya adalah aspek, aspek merupakan arah hadap lereng terhadap penyinaran matahari. Karena lereng yang pertama kali mendapat penyinaran matahari akan mempengaruhi cuaca setempat, seperti suhu, kelembaban dan arah angin.

4. Pengaruh dan Perubahan Penggunaan Lahan

(21)

5

b. Faktor Aktivitas Manusia

Kebakaran hutan yang terjadi di Indonesia selain disebabkan oleh faktor biofisik, juga disebabkan oleh aktivitas kegiatan manusia. Menurut Prasasti (2012) berdasarkan penelitian yang dilakukan oleh Chokkalingan dan Suyanto (2004) di Sumatera, berhasil mengidentifikasikan beberapa penyebab kebakaran di lahan basah berdasarkan aktivitas manusia antara lain : penggunaan api dalam pengelolaan lahan oleh masyarakat, pembakaran untuk pembersihan lahan oleh perusahaan hutan dan perkebunan, pembukaan daerah transmigrasi, pembangunan berskala besar, konversi lahan dan konflik antara perusahaan dan masyarakat.

Penginderaan Jauh dalam Kebakaran Hutan dan Lahan

Penginderaan jauh merupakan ilmu atau teknik dan seni untuk memperoleh informasi mengenai obyek suatu daerah serta gejala-gejala alam. Hal tersebut dapat diperoleh tanpa adanya kontak langsung dengan obyek yang dijadikan tujuan (Lillesand et al. 2004). Sementara itu, satelit penginderaan jauh mempunyai peranan yang sangat penting dalam identifikasi dan pemetaan kebakaran hutan serta perekaman frekuensi kerusakan pada wilayah atau tipe vegetasi. Penginderaan jauh juga dapat digunakan untuk memahami perilaku kebakaran, faktor lingkungan yang berpengaruh dan faktor utama yang mempengaruhi kebakaran hutan dan lahan. Melalui satelit penginderaan jauh juga dapat menganalisis pada skala spasial dan geografis sehingga resiko kebakaran dapat diketahui sejak dini.

Beberapa penelitian di Indonesia tentang penggunakan teknologi penginderaan jauh untuk memantau kejadian kebakaran hutan dan lahan telah menghasilkan beberapa temuan penting. Sulistyowati (2004) menemukan bahwa hubungan jumlah titik api di wilayah Ogan Komering Ilir dengan curah hujan sangat berpengaruh nyata. Jumlah titik api meningkat tajam apabila hujan musim kemarau mengalami penurunan jauh di bawah normal. Beberapa penelitian lain juga menemukan hal yang sama (Sukmawati 2006; Siwi 2013; Jayantika 2013; Kayoman 2010).

(22)

6

Tabel 1 Beberapa penelitian yang memakai teknologi penginderaan jauh dalam deteksi kejadian kebakaran hutan

Judul Penelitian Tahun Nama Peneliti Jenis Penelitian

Hubungan Unsur Iklim dengan Titik Panas (Hotspot) di Kabupaten Ogan Komering Ilir, Propinsi Sumatera Selatan Titik Panas (Hotspot) sebagai indikator Terjadinya Kebakaran Hutan dan Lahan

Deteksi Titik Api (Hotspots) Kebakaran Hutan dan Lahan

Kondisi suhu yang panas karena kebakaran hutan dan lahan sering terpantau oleh satelit sebagai titik api (hotspot). Titik api (hotspot) tersebut mendeteksi kebakaran aktif yang didasarkan dari radiasi inframerah termal (TIR= Thermal Infrared) yang diemisikan oleh kejadian kebakaran (Prasasti 2012). Sementara itu, menurut Boer et al. (2009) titik api (hotspot) didefinisikan sebagai titik-titik pada citra (pixel atau sub-pixel) yang mempunyai suhu sangat tinggi dan berhubungan dengan active fire (kobaran api) di permukaan bumi. Menurut hukum pergeseran Wien’s, suhu tersebut berkisar antara 400°K sampai dengan 700°K di permukaan bumi. Suhu titik api tersebut pada citra dapat dihasilkan berdasarkan nilai suhu kecerahannya (Temperature Brigtness = Tb).

(23)

7 panjang gelombang 10.3-11.3 µm, sedangkan data MODIS memanfaatkan kanal-kanal dengan panjang gelombang 4-11 µm. Sementara itu, Kaufman et al. (1998) dalam Giglio et al. (2003) menjelaskan nilai ambang batas untuk menentukan sebuah titik api (hotspot) oleh satelit MODIS ,yaitu jika terdapat suhu lebih dari 360 K (87°C) untuk siang hari dan suhu 320 K (47°C) untuk malam hari.

Satelit NOAA-AVHRR dan MODIS memiliki kelebihan dan kelemahan dalam menangkap obyek. Menurut Adinugroho et al. (2005) kelemahan dari satelit NOAA-AVHRR ,yaitu sensornya tidak dapat menembus awan, asap dan aerosol sehingga memungkinkan jumlah titik api (hotspot) yang terdeteksi pada saat kebakaran besar jauh lebih rendah daripada yang seharusnya atau sebaliknya. Selain itu menurut Kaufman et al. (1990) dalam Fuller (2003) algoritma dari aplikasi data AVHRR tidak mampu menghasilkan nilai suhu permukaan yang lebih tinggi dari 325 K. Hal tersebut dapat mengakibatkan nilai suhu maksimum yang berada diluar sensor tidak dapat terdeteksi. Hal ini dikarenakan adanya kejenuhan (saturasi) dalam kanal 3 (3.55-3.93 µm). Adapun kelebihan dari MODIS dibanding NOAA-AVHRR menurut Toha (2008) diantaranya MODIS memiliki lebih banyak spektral gelombang (resolusi radiometrik) dan lebih teliti dalam cakupan lahan (resolusi spasial) serta tingginya frekuensi pengamatan (resolusi temporal). Hal tersebut didukung oleh Kaufman et al. (1990) dalam Fuller (2003) yang menyebutkan satelit MODIS memiliki posisi geolokasi lebih baik, penggunaan metode pemrosesan data yang lebih konsisten dan informasi yang didapat lebih cepat yaitu melalui internet. Fuller (2003) juga menyebutkan bahwa 36 kanal yang dimiliki oleh MODIS membuat pengoreksian suhu yang tidak benar menjadi lebih banyak dibandingkan dengan AVHRR yang hanya memiliki 4 kanal.

Moderate Resolution Imaging Spectroradiometer (MODIS) yang merupakan bagian dari NASA’s Earth Observing System (EOS) mempunyai dua jenis satelit, yaitu satelit Terra dan Aqua. MODIS dengan satelit Terra memulai untuk merekam data pada bulan Februari 2000, sedangkan pada satelit Aqua pada bulan Juni 2002. Perbedaan antara satelit Terra maupun Aqua terletak pada wilayah pengamatan. Satelit Aqua menangkap obyek dari badan air sedangkan satelit Terra menangkap obyek dari daratan.

(24)

8

METODE

Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan dari bulan Maret 2014 hingga bulan September 2014 di Laboratorium Klimatologi, Departemen Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Bahan

Bahan-bahan yang digunakan adalah sebagai berikut,

1. Digital data sebaran titik api (hotspot) Provinsi Kalimantan Barat berupa data vektor dari satelit MODIS Terra dan Aqua hasil pemantauan NASA National Aeronautics and Space Administration (NASA) Fire Information Resources Management System (FIRMS) active fire periode tahun 2001-2013 yang diperoleh dari website : (https://earthdata.nasa.gov/data/near-real-time-data/firms/active-fire-data#tab-content-7).

2. Data iklim Provinsi Kalimantan Barat meliputi data curah hujan harian yang diolah menjadi curah hujan bulanan (mm/bulan) hasil pemantauan satelit TRMM 3B42 periode tahun 2001-2013 yang diperoleh dari website: (http://iridl.ldeo.columbia.edu/SOURCES/.NASA/.GES-DAAC/. TRMM_ L3/. TRMM_3B42/.v7/.daily/). Metode pengolahan data satelit jadi data hujan dapat dilihat dalam Huffman et al. (2007, 2010).

3. Data anomali suhu permukaan laut (SPL) dari NIÑO 3.4 periode tahun

2001-2013 yang diperoleh dari website:

(http://www.cpc.ncep.noaa.gov/data/indices/sstoi.indices).

4. Digital data penutupan penggunaan lahan (landuse cover) wilayah Provinsi Kalimantan Barat tahun 2000, 2003, 2006, 2009 dan 2011. 5. Peta dasar batas administrasi Provinsi Kalimantan Barat.

Alat

Alat yang digunakan sebagai berikut, 1. Seperangkat komputer.

2. Perangkat lunak ArcGIS versi 9.3 yang digunakan untuk pengolahan data hotspot.

3. Perangkat lunak Minitab versi 16 untuk analisis regresi.

4. Perangkat lunak Microsoft Office 2010 sebagai perangkat lunak tambahan untuk pengolahan data.

Prosedur Analisis Data

(25)

9

Pengolahan Data Titik Api (Hotspot)

Data titik api (hotspot) berupa data spasial hasil pemantauan satelit MODIS Terra maupun Aqua. Pengolahan data ini menggunakan perangkat lunak ArcGIS versi 9.3 berdasarkan wilayah Provinsi Kalimantan Barat dan penutupan lahan yang dipisahkan antara lahan gambut dan mineral. Berikutnya, data titik api (hotspot) direkapitulasi di setiap bulan dan tahunnya. Adapun tahun penutupan lahan yang ditumpang tindihkan dengan data titik api (hotspot) (Tabel 2).

Tabel 2 Tahun penutupan lahan berdasarkan tahun data hotspot

Tahun Hotspot Tahun Penutupan lahan

2001-2002 2000

2003-2005 2003

2006-2008 2006

2009-2010 2009

2011-2013 2011

Pengolahan Kepadatan Titik Api (hotspot)

Kepadatan titik api (hotspot) diolah berdasarkan jenis lahan dan kategori penutupan lahan di setiap bulan dan tahunnya. Berikut merupakan persamaan penentuan kepadatan titik api (hotspot).

Kepadatan � = ∑HsA . . . . . . . .. . . (1) Keterangan :

∑ Hs : Jumlah hotspot

A : Luas jenis lahan / luas penutupan lahan (Km2) (termasuk yang tidak tertutupi hotspot)

Adapun kategori penutupan lahan sebagai berikut,

Tabel 3 Hubungan kategori penutupan lahan menurut SNI 7645:2010 dan IPCC 2006

No Kategori Penutupan Lahan

Menurut SNI 7645:2010 Kode

Kategori Penutupan Lahan Menurut IPCC 2006 1. Hutan Lahan Kering Primer 2001 Forest Land 2. Hutan Lahan Kering Sekunder 2002 Forest Land

3. Hutan Mangrove Primer 2004 Forest Land

4. Hutan Rawa Primer 2005 Forest Land

5. Hutan Mangrove Sekunder 20041 Forest Land

6. Hutan Rawa Sekunder 20051 Forest Land

7. Hutan Tanaman 2006 Forest Land

8. Belukar 2007 Grass Land

9. Belukar Rawa 20071 Grass Land

10. Perkebunan 2010 Crop Land (Perennial)

11. Pemukiman RURAL 2012 Settlements Land

(26)

10

13. Tanah Kosong 2014 Other Land

14. Rumput 3000 Grass Land

15. Pertanian Lahan Kering 20091 Crop Land (Annual) 16. Pertanian Lahan Kering Campur 20092 Crop Land (Annual)

17. Sawah 20093 Wet Land

18. Tambak 20094 Wet Land

19. Bandara 20121 Other Land

20. Transmigrasi 20122 Settlements Land

21. Pertambangan 20141 Other Land

22. Rawa 50011 Wet Land

23. Air 5001 Wet Land

Sumber : KEMENHUT (2010)

Analisis Data Curah Hujan dengan Jumlah Titik Api (Hotspot)

Data curah hujan yang dipakai pada tahap ini adalah curah hujan bulanan normalisasi dan kumulatif 3 bulan Provinsi Kalimantan Barat dari tahun 2001-2013, sedangkan data jumlah titik api (hotspot) yang dipakai menyesuaikan data curah hujannya. Tahapan ini mempelajari pola hubungan antara curah hujan dan jumlah titik api (hotspot) berdasarkan jenis lahan dan menentukan model terbaik antara hubungan bulanan dan kumulatif 3 bulan (analisis data seluruh bulan maupun periode bulan Juli-Oktober) menggunakan analisis regresi.

Analisis Data Curah Hujan dengan Kepadatan Titik Api (Hotspot)

Data titik api (hotspot) yang dipakai pada tahap ini adalah data kepadatan titik api (hotspot) bulan Juli-Oktober tahun 2001-2013, sedangkan curah hujan yang dipakai adalah curah hujan bulanan di Provinsi Kalimantan Barat tahun 2001-2013. Kepadatan titik api (hotspot) tersebut dianalisis berdasarkan 7 kategori penutupan lahan. Tahapan ini ingin mengetahui kategori penutupan lahan mana yang mempunyai pengaruh yang nyata atau signifikan terhadap curah hujan bulanan menggunakan analisis regresi.

Analisis Data Anomali Suhu Permukaan Laut (SPL) (NIÑO 3.4) dengan Jumlah Titik Api (Hotspot)

Data anomali yang dipakai pada tahap ini adalah anomali SPL bulanan dan rataan 3 bulan tahun 2001-2013, begitu pula data jumlah titik api (hotspot) yang dipakai adalah jumlah titik api (hotspot) bulanan dan kumulatif 3 bulan. Tahapan ini mempelajari pola hubungan antara anomali SPL dan jumlah titik api (hotspot) berdasarkan jenis lahan dan menentukan model terbaik antara hubungan bulanan dan kumulatif 3 bulan (analisis data seluruh bulan maupun periode bulan Juli-Oktober) menggunakan analisis regresi. Selanjutnya untuk mengetahui hubungan prediksi 1 hingga 2 bulan kedepan, anomali SPL dibuatkan lag 1 dan lag 2. Data yang digunakan merupakan analisis bulanan pada periode bulan Juli-Oktober.

Analisis Data Anomali Suhu Permukaan Laut (SPL) (NIÑO 3.4) dengan Kepadatan Titik Api (hotspot)

(27)

11 kategori penutupan lahan, sedangkan SPL yang dipakai adalah anomali SPL bulan Juli-Oktober dari NIÑO 3.4 tahun 2001-2013. Tahapan ini ingin mengetahui kategori penutupan lahan mana yang mempunyai pengaruh yang nyata atau signifikan terhadap anomali SPL bulanan menggunakan analisis regresi.

Analisis Peluang Kejadian Titik Api (Hotspot) Berdasarkan Kondisi Anomali

SPL

Data titik api (hotspot) yang digunakan adalah jumlah titik api (hotspot) dari periode bulan Juli-Oktober tahun 2001-2013 yang dibedakan antara lahan gambut dan mineral. Berikutnya anomali SPL yang digunakan merupakan SPL dari NIÑO 3.4 yang diambil dari bulan Juli-Oktober tahun 2001-2013. Adapun tahap awal penentuan analisis peluang, yaitu menentukan ambang batas jumlah titik api (hotspot) dan anomali SPL. Ambang batas jumlah titik api (hotspot) didapatkan dari nilai rata-rata (mean) seluruh tahun kejadian kebakaran, dalam hal ini rata-rata kebakaran seluruh tahun yang dipakai. Dalam hal ini, apabila diprakiraan peluang jumlah titik api di atas batas rata-rata maka berarti tingkat ancaman terjadinya kebakaran tinggi. Sementara itu ambang batas anomali SPL yaitu sebesar 0.5°C hal ini karena jika anomali suhu permukaan laut berada dan

diatas suhu tersebut berarti sudah mengindikasikan kejadian El Niño.

Setelah penentuan ambang batas jumlah titik api (hotspot) dan anomali SPL, selanjutnya disusun matriks peluang risiko kebakaran seperti yang ditunjukkan oleh Tabel 4. Matrik peluang tersebut digunakan untuk mengetahui banyak kejadian yang jumlah titik api melebihi nilai ambang batas (threshold) untuk kondisi suhu muka laut di atas dan di bawah 0.5°C pada 0, 1 dan 2 bulan

sebelumnya. Besar kecilnya nilai peluang ini akan menggambarkan tingkat risiko kebakaran apabila kondisi anomali suhu muka laut pada 0, 1 atau 2 bulan sebelumnya sudah diketahui.

Tabel 4 Matrix peluang risiko kebakaran

Matrix Peluang High NIÑO 3.4 Low NIÑO 3.4

High Fire N(1,1) N(1,0)

Low Fire N(0,1) N(0,0)

Keterangan:

N(1,1) menunjukkan banyak kejadian (bulan) yang jumlah hotspot di atas nilai rata-rata (High Fire) pada saat SPL di atas 0.5°C (High NINO3.4).

N(1,0) menunjukkan banyak kejadian (bulan) yang jumlah hotspot di atas nilai rata-rata (High Fire) pada saat SPL di bawah 0.5°C (Low NINO3.4).

N(0,1) menunjukkan banyak kejadian (bulan) yang jumlah hotspot di bawah nilai rata-rata (Low Fire) pada saat SPL di atas 0.5°C (High NINO3.4).

N(0,0) menunjukkan banyak kejadian (bulan) yang jumlah hotspot di bawah nilai rata-rata (Low Fire) pada saat SPL di bawah 0.5°C (Low NINO3.4).

Adapun persamaan untuk menduga peluang risiko kebakaran berdasarkan kondisi anomali SPL dari NIÑO . ialah sebagai berikut

(28)

12

Peluang � � �� � �� ���ℎ NIÑO . = N , +N ,N , ……..…...……(3)

Peluang ���ℎ �� � �� � � NIÑO . = N , +N ,N , ………..….……(4)

Peluang � � �� � �� � � NIÑO . =� , +� ,N , …………...….(5)

(29)

13

HASIL DAN PEMBAHASAN

Jumlah dan Sebaran Titik Api (Hotspot)

Berdasarkan pengolahan data titik api (hotspot) hasil pemantauan dari satelit MODIS Terra maupun Aqua, titik api dari tahun 2001-2013 di Provinsi Kalimantan Barat memiliki keragaman baik pada lahan gambut maupun mineral. Berikut merupakan hasil dari pengolahan data titik api (hotspot) berdasarkan tahunan dan bulanan pada lahan gambut dan mineral yang tersajikan pada gambar berikut.

Gambar 2 Jumlah titik api (hotspot) tahunan di Provinsi Kalimantan Barat tahun 2001-2013

Gambar 3 Rata-rata titik api (hotspot) bulanan di Provinsi Kalimantan Barat tahun 2001-2013

Jumlah titik api (hotspot) berdasarkan tahun pada lahan gambut dan mineral di Provinsi Kalimantan Barat dari tahun 2001-2013 (Gambar 2) memiliki pola yang serupa pada setiap tahunnya. Jumlah titik api (hotspot) tertinggi pada lahan gambut terdapat pada tahun 2006, disusul tahun 2009 dan 2002 dengan masing-masing jumlah titik api (hotspot) sebesar 3616, 3513, dan 1896 titik (Lampiran 1). Jumlah titik api (hotspot) tertinggi lainnya pada lahan mineral terdapat pada tahun 2006, 2002 dan 2009 dengan jumlah titik api (hotspot) berturut-turut adalah 10028, 9167 dan 8561 titik (Lampiran 2).

(30)

14

Indonesia. Saat kejadian El Niño, terdapat kenaikan titik api atau hotspot di Provinsi rawan kebakaran. El Niño juga dapat memperluas kebakaran hutan karena kekeringan yang panjang dan peningkatan suhu udara.

Selanjutnya, rata-rata titik api (hotspot) berdasarkan bulan pada lahan gambut dan mineral di Provinsi Kalimantan Barat selama 13 tahun (Gambar 3) memiliki pola yang serupa pada setiap bulannya. Kenaikan rata-rata titik api (hotspot) tertingi terjadi pada bulan Agustus kemudian menurun hingga bulan Desember dan mulai mengalami kenaikan kembali saat bulan Mei. Selain bulan Agustus, rata-rata titik api (hotspot) tertinggi lainnya terjadi pada bulan September dan Oktober. Adapun nilai rata-rata titik api (hotspot) pada lahan gambut saat bulan Agustus, September dan Oktober berturut-turut adalah 492, 273 dan 162 titik (Lampiran 1), sedangkan nilai rata-rata titik api (hotspot) pada lahan mineral saat bulan Agustus, September dan Oktober berturut-turut adalah 2621, 1073 dan 291 titik (Lampiran 2). Berbeda halnya pada bulan Desember, bulan Desember merupakan bulan yang memiliki rata-rata titik api (hotspot) terendah pada lahan gambut dan mineral dengan nilai rata-rata bulanan berturut-turut 2 dan 4 titik (Lampiran 1 dan Lampran 2).

Berdasarkan pengolahan data yang telah dilakukan, bulan Juli, Agustus, September dan Oktober dimana rata-rata titik api (hotspot) mengalami kenaikan dan penurunan secara signifikan menjadi acuan analisis selanjutnya. Kenaikan dan penurunan rata-rata titik api (hotspot) pada bulan-bulan tertentu tidak lepas dari beberapa faktor. Salah satunya adalah faktor musim kering dan musim basah. Menurut penelitian yang telah dilakukan oleh Kayoman (2010) data titik api (hotspot) dalam lima tahun terakhir, yaitu tahun 2004, 2005, 2006, 2007 dan 2008 kebakaran hutan dan lahan di Kalimantan Barat terjadi pada bulan Agustus dan September. Bulan-bulan tersebut, kegiatan pembersihan lahan dengan cara membakar dilakukan oleh masyarakat sekitar hutan maupun perusahaan perkebunan dan kehutanan.

Kondisi cuaca yang sangat kering dan rendahnya jumlah curah hujan sangat mempengaruhi luas hutan dan lahan yang terbakar. Hal ini juga didukung oleh Putra dan Hadiwijoyo (2012) yang menyebutkan bahwa jika curah hujan tinggi maka jumlah titik api (hotspot) akan semakin rendah, sebaliknya jika curah hujan rendah maka titik api (hotspot) akan semakin banyak. Tinggi dan rendah jumlah titik api (hotspot) tersebut dipengaruhi oleh tingginya suhu yang terdeteksi oleh satelit akibat curah hujan yang rendah. Massal et al. (2014) menjelaskan bahwa data titik api (hotspot) yang direkam melalui satelit dapat mendeteksi suhu permukaan tanah yang lebih tinggi dari normal. Data tersebut dapat menunjukkan kemungkinan terjadinya kebakaran.

Kepadatan Titik Api (Hotspot) Berdasarkan Jenis Lahan

Jumlah Kepadatan Titik Api (Hotspot) pada Lahan Gambut dan Mineral

(31)

15 melalui Geographyc Information System (GIS) atau Sistem Informasi Geografis (SIG). Berikut merupakan tabel jumlah kepadatan titik api (hotspot) pada lahan gambut dan mineral bulan Juli-Oktober tahun 2001-2013.

Tabel 5 Kepadatan titik api (hotspot) pada jenis lahan gambut dan mineral

Gambar 4 Kepadatan titik api (hotspot) di Provinsi Kalimantan Barat pada bulan Juli-Oktober

Berdasarkan kepadatan titik api (hotspot) menurut jenis lahan (Tabel 5) kepadatan titik api (hotspot) dari bulan Juli-Oktober mengalami keragaman. Bulan Agustus mempunyai kepadatan titik api (hotspot) tertinggi pada lahan gambut dan mineral berturut-turut sebesar 0.0244 dan 0.0123 Hs/Km2 . Sedangkan, kepadatan titik api (hotspot) terendah pada lahan gambut dan mineral terjadi pada bulan Juli sebesar 0.0014 Hs/Km2 ,meskipun terdapat bulan Oktober pada lahan mineral yang juga memiliki kepadatan titik api (hotspot) terendah sebesar 0,0014 Hs/Km2. Berdasarkan hasil tersebut kepadatan titik api (hotspot) pada lahan gambut lebih tinggi daripada lahan mineral (Gambar 4) meskipun jumlah titik api (hotspot) lahan mineral lebih tinggi. Hal ini disebabkan oleh luasan lahan mineral di Provinsi Kalimantan Barat lebih besar daripada lahan gambut. Selain itu, hal yang menyebabkan kepadatan titik api (hotspot) lahan gambut lebih tinggi daripada lahan mineral adalah jenis penutupan lahan yang berada di lahan gambut. Penutupan tersebut dapat mempengaruhi jumlah titik api (hotspot).

Bulan Jenis Lahan

Gambut Mineral

Rata-rata titik api (hotspot)

Juli 130 299

Agustus 492 2612

September 273 1073

Oktober 162 291

Luas (Km2) 20145.94 211824.72

Kepadatan titik api (hotspot)(Hs/Km2)

Juli 0.0065 0.0014

Agustus 0.0244 0.0123

September 0.0136 0.0051

(32)

16

Hubungan Jumlah Titik Api (Hotspot) terhadap Anomali Suhu Permukaan

Laut (SPL)

Berdasarkan pembahasan pada subbab sebelumnya, jumlah titik api (hotspot) tahunan berasosiasi dengan kejadian El Niño. Analisis kali ini ingin mengetahui hubungan kepadatan titik api (hotspot) berdasarkan jenis lahan terhadap kejadian El Niño, dalam hal ini kejadian El Niño ditunjukkan dengan nilai anomali SPL. Anomali SPL yang mengindentifikasikan kejadian El Niño jika mempunyai nilai 0,5 atau lebih. Berikut merupakan hubungan keterkaitan kepadatan titik api (hotspot) bulan Juli-Oktober tahun 2001-2013 menurut jenis lahan (Gambar 5).

Gambar 5 Keterkaitan kepadatan titik api (hotspot) bulan Juli-Oktober terhadap anomali SPL di Provinsi Kalimantan Barat

Hubungan keterkaitan tersebut (Gambar 5) menunjukkan bahwa kepadatan titik api (hotspot) tertinggi terjadi jika nilai anomali SPL berada pada nilai 0.5 atau lebih pada lahan gambut maupun mineral. Lahan gambut mempunyai kepadatan titik api (hotspot) tertinggi pada tahun 2002, 2006 dan 2009, sedangkan lahan mineral mempunyai kepadatan titik api (hotspot) tertinggi pada tahun 2002, 2004, 2006 dan 2009. Namun, untuk mengetahui seberapa signifikan atau nyata hubungan keterkaitan tersebut perlu adanya analisis lebih lanjut yang tersajikan pada Gambar 6 dan Gambar 7. Analisis ini tidak menggunakan kepadatan titik api (hotspot) melainkan menggunakan jumlah titik api (hotspot). Hal ini dilakukan karena untuk melihat keterkaitan pada analisis model prediksi peluang aktivitas kebakaran yang tersajikan pada subbab selanjutnya.

(a) (b)

(33)

17

(a) (b)

Gambar 7 (a) Hubungan jumlah titik api (hotspot) dengan anomali SPL pada analisis bulan Juli-Oktober (b) Hubungan jumlah titik api (hotspot) kumulatif 3 bulan dengan anomali SPL rataan 3 bulan pada analisis bulan Juli-Oktober

(a) (b)

Gambar 8 (a) Hubungan jumlah titik api (hotspot) dengan anomali SPL pada analisis bulan Juli-Oktober saat lag 1 (b) Hubungan jumlah titik api (hotspot) dengan anomali SPL pada analisis bulan Juli-Oktober saat lag 2

Berdasarkan hubungan bulanan maupun rataan 3 bulan, jumlah titik api (hotspot) pada analisis seluruh bulan (Gambar 6) memiliki nilai R-Square kurang dari 10% pada lahan gambut maupun mineral. Nilai tersebut sangatlah kecil untuk menunjukkan keterkaitan antara dua variabel tersebut. Hubungan ini dijelaskan lebih lanjut dalam analisis regresi yang ditunjukkan pada nilai p-value yang tersajikan pada Lampiran 3.. Nilai p-value hubungan bulanan jumlah titik api (hotspot) terhadap anomali SPL sebesar 0.484 pada lahan gambut dan 0.081 pada lahan mineral, sedangkan nilai kumulatif titik api (hotspot) dengan rataan 3 bulan mempunyai p-value 0.051 untuk lahan gambut dan 0.081 untuk lahan mineral. Nilai p-value pada seluruh hubungan tersebut lebih besar dari nilai alfa () sebesar 0.05. Hal ini menunjukkan bahwa tidak ada pengaruh yang nyata pada analisis seluruh bulan antara jumlah titik api (hotspot) terhadap anomali SPL.

(34)

18

hubungan bulanan jumlah titik api (hotspot) terhadap anomali SPL sebesar 0.003 untuk lahan gambut dan 0.030 untuk lahan mineral, sedangkan nilai kumulatif titik api (hotspot) dengan rataan 3 bulan sebesar 0.000 untuk lahan gambut dan 0.000 untuk lahan mineral. Nilai tersebut lebih kecil dari nilai alfa () sebesar 0.05. Selanjutnya, jika dianalisis menurut prediksi 1 bulan hingga 2 bulan kedepan nilai R-Square yang didapatkan 0.2127 untuk lahan gambut dan 0.1063 untuk lahan mineral saat lag 1. Sedangkan saat lag 2, R-Square yang didapatkan sebesar 0.1492 untuk lahan gambut dan 0.0695 untuk lahan mineral.

Analisis hubungan jumlah titik api (hotspot) terhadap anomali SPL berdasarkan bulanan dan rataan 3 bulan serta dibedakan antara data seluruh bulan dan 4 bulan (Juli-Oktober) bertujuan untuk melihat model yang paling baik diantara analisis tersebut. Pemodelan yang paling baik jika mempunyai nilai MS atau KT (Kuadrat Tengah Sisa) lebih kecil daripada hubungan yang lain. Hal tersebut didukung oleh Matjik (2005) yang menyebutkan bahwa jumlah komponen utama yang terbaik adalah yang rataan akar kuadrat tengah sisa (RMSPD) dari data validasi paling kecil. Hasil yang telah didapat menunjukkan bahwa hubungan rataan 3 bulan pada analisis seluruh bulan dan analisis 4 bulan (Juli-Oktober) memiliki model terbaik. Hal ini karena nilai MS hubungan bulanan pada data seluruh bulan yaitu 5.728 untuk lahan gambut dan 5.209 untuk lahan mineral, sedangkan nilai MS hubungan rataan 3 bulannya sebesar 3.481 untuk lahan gambut dan 3.617 untuk lahan mineral. Adapun nilai MS pada analisis bulan Juli-Oktober, yaitu pada hubungan bulanan sebesar 2.569 untuk lahan gambut dan 2.674 untuk lahan mineral, sedangkan nilai MS hubungan rataan 3 bulannya sebesar 0.998 untuk lahan gambut dan 0.909 untuk lahan mineral.

Hubungan Jumlah Titik Api (Hotspot) terhadap Curah Hujan

(35)

19

Gambar 9 Keterkaitan kepadatan titik api (hotspot) bulan Juli-Oktober terhadap anomali curah hujan di Provinsi Kalimantan Barat

Berdasarkan keterkaitan antara kepadatan titik api (hotspot) dengan curah hujan anomali, didapatkan hasil bahwa semakin negatif nilai anomali tidak selalu menunjukkan kepadatan titik api (hotspot) tertinggi pada lahan gambut maupun mineral. Hanya tahun-tahun tertentu saja yang memiliki nilai anomali negatif yang memiliki kepadatan titik api (hotspot) tertinggi, seperti tahun 2002, 2006 dan 2009 pada lahan gambut dan 2002, 2004, 2006 dan 2009 pada lahan mineral. Namun, untuk mengetahui seberapa signifikan atau nyata hubungan keterkaitan tersebut perlu adanya analisis lebih lanjut yang tersajikan pada Gambar 10 dan Gambar 11. Sama seperti analisis sebelumnya, titik api (hotspot) yang digunakan pada analisis ini adalah jumlah titik api (hotspot).

(a) (b)

(36)

20

(a) (b)

Gambar 11 (a) Hubungan jumlah titik api (hotspot) dengan anomali curah hujan pada analisis bulan Juli-Oktober (b) Hubungan jumlah titik api (hotspot) kumulatif 3 bulan dengan anomali curah hujan kumulatif 3 bulan pada analisis bulan Juli-Oktober

Berdasarkan hubungan bulanan maupun kumulatif 3 bulan, jumlah titik api (hotspot) pada seluruh bulan memiliki nilai R-Square 34 - 45% pada lahan gambut maupun mineral. Hubungan ini dijelaskan lebih lanjut dalam analisis regresi yang ditunjukkan pada nilai p-value yang tersajikan pada Lampiran 3. Nilai p-value hubungan jumlah titik api (hotspot) terhadap curah hujan bulanan sebesar 0.000 pada lahan gambut dan mineral, begitu pula dengan hubungan kumulatif 3 bulan. Nilai p-value pada seluruh hubungan tersebut lebih kecil dari nilai alfa () sebesar 0.05. Hal ini menunjukkan bahwa curah hujan berpengaruh secara signifikan atau nyata terhadap jumlah titik api (hotspot).

Selanjutnya, berdasarkan hubungan jumlah titik api (hotspot) bulan Juli-Oktober yang tersajikan pada Gambar 11, nilai R-Square hubungan bulanan maupun kumulatif 3 bulan berkisar 43 - 56% pada lahan gambut dan mineral. Nilai ini lebih besar daripada hubungan seluruh bulan. Ketinggian nilai R-Square ini didukung oleh hubungan yang signifikan antara jumlah titik api (hotspot) bulan Juli-Oktober terhadap curah hujan bulanan yang ditunjukkan pada nilai p-value yang terdapat pada Lampiran 4. Nilai p-p-value hubungan jumlah titik api (hotspot) terhadap curah hujan bulanan sebesar 0.000 untuk lahan gambut dan mineral, begitu pula untuk hubungan kumulatif 3 bulan. Nilai tersebut lebih kecil dari nilai alfa () sebesar 0.05.

(37)

21

Kepadatan Titik Api (Hotspot)Berdasarkan Kategori Penutupan lahan

Penelitian kali ini juga ingin mengetahui bagaimana kepadatan jumlah titik api (hotspot) berdasarkan kategori penutupan lahan. Kepadatan titik api (hotspot) tersebut diperoleh dengan membagi jumlah titik api (hotspot) setiap bulannya dengan luasan kategori penutupan lahan. Luas setiap jenis penutupan lahan yang dihitung bukan hanya yang tertutupi oleh titik api (hotspot) saja, melainkan keseluruhan luasan kategori penutupan lahan. Berikut merupakan kepadatan titik api (hotspot) berdasarkan jenis penutupan lahan di Provinsi Kalimantan Barat tahun 2001-2013 yang tersajikan pada Tabel 6 untuk lahan gambut dan Tabel 7 untuk lahan mineral.

Tabel 6 Rata-rata kepadatan titik api (hotspot) berdasarkan kategori penutupan lahan pada lahan gambut

Jenis Penutupan Lahan

Jumlah Titik Api (Hotspot)

Luas (Km2)

Kepadatan Titik Api (Hotspot) (Hs/Km2)

Other Land 106 499.18 0.2117

Crop Land (Perennial) 182 892.64 0.2038

Grass Land 283 2443.81 0.1159

Wet Land 54 707.36 0.0760

Crop Land (Annual) 88 1911.39 0.0462

Settlements Land 1 14.10 0.0382

Forest Land 345 13677.45 0.0252

Tabel 7 Rata-rata kepadatan titik api (hotspot) berdasarkan kategori penutupan lahan pada lahan mineral

Jenis Penutupan Lahan

Jumlah Titik Api (Hotspot)

Luas (Km2)

Kepadatan Titik Api (Hotspot) (Hs/Km2)

Other Land 269 4243.59 0.0635

Grass Land 700 13386.98 0.0523

Crop Land (Perennial) 272 6505.53 0.0418

Wet Land 167 5215.91 0.0319

Settlements Land 13 591.00 0.0224

Crop Land (Annual) 1922 113665.48 0.0169

(38)

22

Gambar 12 Kepadatan titik api (hotspot) berdasarkan kategori penutupan lahan di Provinsi Kalimantan Barat pada bulan Juli-Oktober dari tahun 2001-2013

Berdasarkan Tabel 6 dan Tabel 7 serta Gambar 12 didapatkan hasil bahwa jenis penutupan lahan tipe other land atau lahan lainnya memiliki rata-rata kepadatan titik api (hotspot) tertinggi pada lahan gambut maupun mineral dari tahun 2001-2013 di Provinsi Kalimantan Barat sebesar 0.2117 dan 0.0635 Hs/Km2. Jenis lahan lainnya atau other land dalam penelitian kali ini berupa tanah kosong, bandara dan pertambangan. Hal ini disebabkan oleh luas area yang dimiliki oleh other land dari tahun 2001-2013 tidak lebih besar daripada jenis penutupan lahan yang lain, namun memiliki jumlah titik api (hotspot) yang cukup tinggi.

Kepadatan titik api (hotspot) terendah dimiliki oleh jenis penutupan lahan forest land atau lahan hutan dengan besaran 0.0252 Hs/Km2 untuk lahan gambut dan 0.0105 Hs/Km2 untuk lahan mineral. Hal ini disebabkan oleh luas area kategori penutupan lahan pada lahan hutan memiliki luasan tertinggi, meskipun jumlah titik api (hotspot) pada lahan hutan cukup tinggi pada lahan gambut maupun mineral. Sedangkan, menurut Kayoman (1998) kepadatan titik api (hotspot) terendah pada lahan hutan disebabkan oleh wilayah yang bervegetasi hutan, kejadian kebakaran akan lambat terjadi dikarenakan kandungan uap air yang cukup besar dari bahan bakar penyusunnya.

Hubungan Kepadatan Titik Api (Hotspot)Berdasarkan Kategori Penutupan

lahan terhadap Curah hujan dan anomali SPL

(39)

23 Tabel 8 Hubungan kepadatan titik api (hotspot) terhadap curah hujan pada setiap

kategori penutupan lahan pada lahan gambut

(40)

24

Tabel 10 Hubungan kepadatan titik api (hotspot) terhadap anomali SPL pada setiap kategori penutupan lahan pada lahan gambut

Kategori setiap kategori penutupan lahan pada lahan mineral

(41)

25 Berbeda dengan hubungan antara kepadatan titik api (hotspot) dengan anomali SPL (Tabel 10 dan Tabel 11). Lahan gambut pada kategori penutupan lahan tanaman tipe tanaman bertahun-tahun (crop land perennial) dan kategori tanah pemukiman (settlements land) memiliki hubungan yang tidak nyata, sedangkan pada lahan mineral kategori lahan hutan (forest land) dan lahan tanaman tahunan (crop land annual) yang memiliki hubungan tidak nyata. Artinya anomali SPL tidak seluruhnya mempunyai pengaruh yang nyata terhadap kepadatan titik api (hotspot) berdasarkan 7 kategori penutupan lahan pada bulan Juli-Oktober tahun 2001-2013 di Provinsi Kalimantan Barat.

Model Prediksi Peluang Titik Api (Hotspot)dengan Anomali SPL

Berdasarkan pembahasan sebelumnya, terdapat hubungan yang erat antara jumlah titik api (hotspot) dengan curah hujan. Namun untuk membuat model prediksi peluang ini tidak menggunakan variabel curah hujan melainkan anomali SPL. Hal ini karena untuk membuat suatu model prediksi diperlukan variabel yang mempunyai sifat perubahan yang tidak terlalu cepat dan memori penyimpanannya yang besar. Data anomali SPL memiliki sifat perubahan yang tidak terlalu cepat dan memori penyimpanannya yang cukup besar, berbeda dengan curah hujan yang memiliki keragaman cukup tinggi. Selain itu juga terdapat dampak kuat dari ENSO terhadap curah hujan di Indonesia. Sehingga kejadian ENSO juga dapat meprakirakan kejadian hujan di Indonesia. Maka pada analisis ini ingin menggunakan anomali SPL untuk membuat sebuah model prediksi peluang aktivitas kebakaran.

Model prediksi yang digunakan merupakan prakiraan dalam bentuk peluang yang ditetapkan oleh matrik risiko. Matrix risiko peluang kebakaran menurut IRI dan CCROM-SEAP (2009) merupakan tabel yang digunakan untuk merekam serta menganalisis variabel-variabel berdasarkan kategori, sehingga dapat digunakan sebagai model prakiraan peluang (Probabilistic Forecasting Model). Membuat model prediksi peluang tersebut dibutuhkan nilai ambang batas. Ambang batas pada analisis ini menggunakan rata-rata seluruh tahun kejadian kebakaran dan nilai sebesar 0.5°C untuk ambang batas anomali SPL. Alasan

mengapa nilai rata-rata seluruh tahun yang digunakan untuk ambang batas jumlah titik api (hotspot) karena jika terdapat nilai diatas rata-rata maka kebakaran tersebut menunjukan kebakaran diatas normal, sedangkan nilai 0.5°C untuk

ambang batas anomali SPL karena nilai 0.5°C atau lebih merupakan nilai yang menunjukkan kejadian El Niño.

(42)

26

(a)

(b)

Gambar 13 (a) Kejadian kebakaran berdasarkan anomali SPL lag 0, lag 1 dan lag 2 menurut ambang batas pada lahan gambut (b) Kejadian kebakaran berdasarkan anomali SPL lag 0, lag 1 dan lag 2 menurut ambang batas pada lahan mineral

Tabel 12 Peluang kejadian dengan hotspot tinggi dan rendah menurut kondisi anomali SPL berdasarkan beberapa lag pada lahan gambut

Lag 0

Matrix Peluang “High” NIÑO 3.4 (> 0.5) ‘“Low” NIÑO 3.4 (< 0.5)

“High” Fires (> 265) 10 (0.63) 4 (0.11)

“Low” Fires (< 265) 6 (0.38) 32 (0.89)

Total 16 (1.00) 36 (1.00)

Lag 1

Matrix Peluang “High” NIÑO 3.4 (> 0.5) “Low” NIÑO 3.4 (< 0.5)

“High” Fires (> 265) 7 (0.54) 7 (0.18)

“Low” Fires (< 265) 6 (0.46) 32 (0.82)

Total 13 (1.00) 39 (1.00)

Lag 2

Matrix Peluang “High” NIÑO 3.4 (> 0.5) “Low” NIÑO 3.4 (< 0.5)

“High” Fires (> 265) 4 (0.50) 10 (0.23)

“Low” Fires (< 265) 4 (0.50) 34 (0.77)

(43)

27 Tabel 13 Peluang kejadian dengan hotspot tinggi dan rendah menurut kondisi

anomali SPL berdasarkan beberapa lag pada lahan mineral Lag 0

Berdasarkan Gambar 13, prediksi peluang kejadian kebakaran terhadap anomali SPL bisa dilihat dari garis ambang batas yang ditetapkan pada masing-masing gambar analisis. Garis tersebut menunjukan bahwa semakin ke arah kanan dan atas maka peluang prediksi kejadian akan semakin rawan, lain halnya jika semakin ke arah kiri dan bawah. Peluang kejadian kebakaran menurut anomali SPL tersebut dijelaskan secara rinci pada tabel peluang Matrix Peluang yang tersajikan pada Tabel 12 untuk lahan gambut dan Tabel 13 untuk lahan mineral.

Berdasarkan Matrix Peluang pada lahan gambut (Tabel 12) dapat diketahui bahwa saat lag 0 atau tidak ada lag bulan apabila nilai NIÑO 3.4 diatas rata-rata (> 0.5), jumlah titik api (hotspot) kebakaran yang berada di atas rata-rata (lebih dari 265 kebakaran) sebesar 63% (10 kali dari 16 kali kejadian kebakaran). Sedangkan untuk lag 1 atau lag 1 bulan apabila nilai NIÑO 3.4 diatas rata-rata (> 0.5), jumlah titik api (hotspot) kebakaran yang berada di atas rata-rata (lebih dari 265 kebakaran) sebesar 54% (7 kali dari 13 kali kejadian kebakaran). Sementara itu, saat lag 2 atau lag 2 bulan apabila nilai NIÑO 3.4 diatas rata-rata (> 0.5), jumlah titik api (hotspot) kebakaran yang berada di atas rata-rata (lebih dari 265 kebakaran) maupun dibawah rata-rata (kurang dari 265 kebakaran) sebesar 50% (4 kali dari 8 kali kejadian kebakaran).

(44)

28

SIMPULAN DAN SARAN

Simpulan

Kepadatan titik api (hotspot) tertinggi dari bulan Juli-Oktober tahun 2001-2013 di Provinsi Kalimantan Barat dimiliki oleh lahan gambut pada bulan Agustus sebesar 0.0244 Hs/Km2. Sementara itu, hubungan antara jumlah titik api (hotspot) dengan anomali SPL pada analisis seluruh bulan tidak berpengaruh secara nyata. Berbeda dengan analisis data bulan Juli-Oktober tahun 2001-2013 yang memiliki pengaruh yang nyata pada lahan gambut maupun mineral. Begitu pula dengan hubungan jumlah titik api (hotspot) dengan curah hujan bulanan yang memiliki pengaruh nyata pada lahan gambut maupun mineral baik analisis data seluruh bulan maupun data bulan Juli-Oktober tahun 2001-2013. Berikutnya analisis penentuan model didapatkan bahwa hubungan rataan dan kumulatif 3 bulan pada analisis seluruh bulan maupun 4 bulan (Juli-Oktober) yang memiliki model terbaik.

Analisis berikutnya berdasarkan 7 kategori penutupan lahan diperoleh hasil bahwa kategori other land atau lahan lainnya mempunyai kepadatan titik api (hotspot) tertinggi pada lahan gambut maupun mineral dengan nilai berturut-turut 0.2117 dan 0.0635 Hs/Km2. Selanjutnya, hubungan kepadatan titik api (hotspot) dengan curah hujan bulanan pada bulan Juli-Oktober tahun 2001-2013 di Provinsi Kalimantan Barat baik lahan gambut maupun mineral dan berdasarkan 7 kategori penutupan lahan mendapatkan hasil yang nyata, lain halnya dengan hubungan anomali SPL. Hasil analisis menunjukkan anomali SPL tidak seluruhnya mempunyai pengaruh yang nyata terhadap kepadatan titik api (hotspot) di 7 kategori penutupan lahan baik pada lahan gambut maupun mineral.

Selanjutnya, model prediksi dalam bentuk peluang yang dihasilkan dari Matrix Peluang pada lahan gambut maupun mineral menghasilkan saat lag 0 apabila nilai NIÑO 3.4 diatas rata-rata (> 0.5), jumlah titik api (hotspot) kebakaran yang berada di atas rata-rata (lebih dari 265 kebakaran) sebesar 63% (10 kali dari 16 kali kejadian kebakaran). Sedangkan untuk lag 1 apabila nilai NIÑO 3.4 diatas rata-rata (> 0.5), jumlah titik api (hotspot) kebakaran yang berada di atas rata-rata (lebih dari 265 kebakaran) sebesar 54% (7 kali dari 13 kali kejadian kebakaran). Sementara itu, saat lag 2 apabila nilai NIÑO 3.4 diatas rata-rata (> 0.5), jumlah titik api (hotspot) kebakaran yang berada di atas rata-rata-rata-rata (lebih dari 265 kebakaran) maupun dibawah rata-rata (kurang dari 265 kebakaran) sebesar 50% (4 kali dari 8 kali kejadian kebakaran).

Saran

(45)

29 kebakaran yang diprakirakan menjadi lebih tepat. Penelitian ini juga masih berskala Provinsi, sehingga penggunaannya pada tingkat Kabupaten/Kota tidak memungkinkan. Fakor lain penyebab kebakaran yaitu kondisi sosial, ekonomi maupun budaya juga belum disertakan. Oleh sebab itu, penelitian lebih lanjut untuk pengembangan model prakiraan risiko kebakaran lahan dan hutan dengan menggunakan faktor non-fisik sangat disarankan.

DAFTAR PUSTAKA

ADB (Asian Development Bank)/BAPPENAS. 1999. Planning for fire prevention and drought management project. ADB Report.

Adinugroho WC, INN Suryadiputra, Bambang HS dan Labueni S. 2005. Panduan pengendalian kebakaran hutan dan lahan gambut. Proyek Climate Change, Forest and Peatland in Indonesia. Bogor : WETLAND International-Indonesia Programme and Wildfire Habita Canada.

Boer R, M Ardiansyah, Indah P, Lailan S dan Rahman S. 2009. Analisis hubungan antara jumlah titik-titik api (Hotspot) dengan luas kebakaran hutan dan curah hujan. Paper dalam Prosiding Pertemuan Ilmiah Tahunan XVII dan Kongres Mapin V: Teknologi Geospasial untuk Ketahanan Pangan dan Pembangunan Berkelanjutan, IPB International Convention Centre 8 – 9 Agustus 2010. Bogor.

Bowen MR, Jean MB, Ivan PA, Philippe G dan Anne G. 2001. Anthropogenic fires in Indonesia, a view from Sumatera. Di dalam : radojevic M & Eaton P, editor. EU & Departemen Kehutanan dan Perkebunan Republik Indonesia. Brown AA dan KP Davis. 1973. Forest Fire Control and Use. New York :

McGraw Hill Book Company, Inc.

Chandler C, Cheney P, Thomas P, Trabaud L dan Williams D. 1983. Fire in Forestry. Volume ke-1, Forest Fire Behaviour and Effect. Torontyo : John Wiley and Sons,Inc.

Famurianty E. 2011. Evaluasi kebijakan penetaan daerah rawan kebakaran hutan di Provinsi Kalimantan Barat [tesis]. Bogor (ID) : Institut Pertanian Bogor. Fuller DO. 2003. MODIS data used to study 2002 fires in Kalimantan, Indonesia.

84 (20): 189–196.

Fuller M. 1995. Forest Fire: An Introduction to Wildland Fire Behaviour, Management, Firefighting, and Prevention. Toronto: John Wiley &Sons, Inc.

Giglio L, Jacques D, Christoper OJ dan Yoram JK. 2003. An enhanced contextual fire detection algorithm for MODIS. Remote Sensing of Environtment [internet]. [diunduh 2014 Maret 1]; 87(2003): 273-282. Tersedia pada: http://sciencedirect.com.

Heryalianto SC. 2006. Studi tentang sebaran titik api sebagai penduga kebakaran hutan dan lahan di Provinsi Kalimantan Barat Tahun 2003-2004 [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Figur

Memperbarui...

Referensi

Memperbarui...