ANALISIS PENGARUH PARAMETER METEOROLOGI TERHADAP
KONSENTRASI PM
10DI JAKARTA DENGAN MENGGUNAKAN
METODE STATISTIK
HABIBUR RAHMAN, HAURA D. SAHLA, LILIK BAYYINAH,
M.RIFQI FATHIN F. MUZAENI, WIDYANI R. ISKANDAR
Program Studi Meteorologi, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung
ABSTRAK
Daerah Khusus Ibukota Jakarta merupakan pusat dari pemerintahan dan ekonomi di Indonesia, hal ini menyebabkan aktivitas di kota ini mengalami perkembangan yang sangat pesat. Pesatnya aktivitas penduduknya tentu saja akan menyebabkan adanya polusi penyebab pencemaran udara, dimana salah satu parameternya adalah PM10. Meningkatnya jumlah PM10 di atmosfer akan membahayakan lingkungan terutama bagi kesehatan manusia. Parameter meteorologi menjadi hal yang sangat penting, karena mempengaruhi tingkat konsentrasi PM10 di atmosfer. Oleh karena itu, perlu dilakukan analisis keterkaitan antara parameter meteorlogi dengan konsentrasi PM10 di DKI Jakarta.
Metode yang digunakan dalam penilitian kali ini adalah dengan menggunakan metode statistika deskriptif untuk melihat sebaran secara temporal dari polutan terhadap waktu, sebaran polutan, hubungan antara parameter meteorlogi dengan polutan serta melakukan prediksi jangka pendek dengan MLR.
Hasil dari pengolahan data ini menunjukan bahwa stabilitas atmosfer yang tinggi dan kecepatan angin yang rendah serta tidak adanya curah hujan menyebabkan partikulat yang tidak banyak menyebar di daerah pengamatan. Dari perhitungan statistika deskriptif memerlihatkan adanya pengaruh dari musiman dalam menghasilkan rata-rata. Scatterplot menunjukan bahwa nilai koefisien korelasi antara konsentrasi PM10 dengan parameter meteorologi (angin, curah hujan dan temperatur virtual) menunjukan korelasi negatif dengan nilai -0,71785 untuk angin; -0,83802 untuk curah hujan; dan -0,23761 untuk temperatur virtual. koefisien determinasi dari model bernilai 0,6466 yang menjelaskan bahwa model MLR yang dihasilakan dapat menjelaskan 64,66% data yang dihasilkan dari variabel yang tidak saling kebergantungan.
Kata kunci : PM10, analisis deksriptif, parameter meteorologi, DKI Jakarta.
1.
PENDAHULUAN
DKI Jakarta merupakan kota metropolitan terbesar di Indonesia. Perkembangannya yang begitu pesat mendorong banyaknya pencemaran udara di kota tersebut. Pencemaran udara adalah kontaminasi lingkungan oleh partikel kimiawi, fisis, atau biologis yang mengubah karakterisik alamiah atmosfer (WHO, 2012).
Particulat matter merupakan campuran kompleks zat organik dan anorganik. Selain itu, Particulat matter terdiri dari sejumlah komponen, termasuk asam (seperti nitrat dan sulfat), kimia organik, logam, tanah atau partikel debu.
PM10 adalah partikel dengan diameter kurang dari sama dengan 10 mikron yang dapat mencapai saluran pernapasan bagian atas dan paru-paru (Clean Air Initiative for Asian Cities, 2010). Dari keputusan Kepala Badan Pengendalian Dampak Lingkungan, ambang batas untuk Indeks Standar Pencemaran Udara (ISPU) untuk PM10 dalam satuan SI adalah 100 atau sama dengan 150 µg/m3. Jika melebihi indeks tersebut sudah dikategorikan sebagai udara yang tidak sehat.
hubungan antara konsentrasi polutan terutama PM10 dengan parameter meteorologi dalam melakukan pemantauan kualitas udara. Sehingga tujuan dari penelitian ini adalah melakukan analisis hubungan antara parameter meteorologi dengan konsentrasi polutan yaitu PM10 di Jakarta melalui metode statistik. Diharapkan dengan adanya penelitian ini, dapat menjadi masukan dan pertimbangan bagi pemerintah dalam melakukan manajemen kualitas udara di Jakarta.
2.
DATA DAN METODE
2.1 DATA
Data yang digunakan dalam penelitian ini bersumber dari data BMKG yang merupakan data emisi PM10 dan parameter meteorologi dari hasil pengukuran mingguan yang dilakukan selama satu tahun di Jakarta. Pengukuran dilakukan dari minggu pertama bulan Desember 2009 hingga minggu terakhir bulan November 2010.
Parameter meteorologi yang terukur adalah temperatur, temperatur titik embun, tekanan, arah dan kecepatan angin serta intensitas curah hujan.
2.2
METODE
Metode yang digunakan dalam penelitian ini menggunakan metode statistik untuk mengetahui konsentrasi PM10 di Jakarta. Metode statistik dapat digunakan untuk menghitung konsentrasi dari berbagai jenis sumber, baik itu sumber titik maupun sumber bergerak.
Metode statistik yang digunakan terdiri dari beberapa jenis yaitu statistika deskriptif, analisis time series, analisis distribusi frekuensi, scatter plot, box plot, multiple linier regresion. Analisis time series dapat digunakan untuk melihat sebaran secara temporal dari polutan terhadap waktu. Analisis distribusi frekuensi digunakan untuk mengetahui banyaknya hari yang terpapar oleh ploutan sesuai dengan kategori ambang batas. Scatter plot dapat digunakan untuk melihat hubungan antara dua variabel. Boxplot digunakan untuk melihat distribusi data, tendensi sentral, dan ukuran penyebaran. Sedangkan multiple linier regresi digunakan untuk melihat hubungan antara variabel bebas (variabel meteorologi) dengan variabel terikat (konsentrasi PM10) dalam sentuk persamaan sederhana, sehingga dapat digunakan untuk melakukan prediksi untuk 3 hari kedepan.
3.
HASIL DAN PEMBAHASAN
3.1 TIME SERIES DAN DISTRIBUSI
KONSENTRASI PARTIKULAT PM10
Berdasarkan indeks ISPU yang dikeluarkan oleh Badan Pengendalian Dampak Lingkungan Hidup, didapatkan bahwa di daerah Jakarta sebanyak 28 sampel pengamatan berstatus baik, 8 sampel pengamatan berstatus sedang, dan hanya 3 sampel pengamatan dalam 1 tahun yang berstatus tidak sehat. Tiga sampel berstatus tidak sehat di Jakarta terdapat pada tanggal 10 Mei, 30 Agustus, dan 20 September 2010.
Dari ketiga sampel tidak sehat tersebut apabila dibandingkan dengan data meteorologis akan memiliki kesamaan keadaan cuaca, yaitu memiliki suhu yang relatif rendah dibawah 260C, kecepatan angin rendah dibawah 0,3 m/s, dan tidak terjadi hujan. Sehingga bisa dikatakan stabilitas atmosfer yang tinggi dan kecepatan angin yang rendah serta tidak adanya curah hujan menyebabkan partikulat yang tidak banyak menyebar di daerah pengamatan saat tanggal tersebut. Karena selain sumber dari emisi yang heterogen, faktor meteorologi bisa sangat mempengaruhi dari variasi temporal dan spasial suatu polutan di suatu wilayah (Colette et al., 2011) Walaupun tidak sering kali terjadi, namun, konsentrasi partikulat PM yang tinggi tersebut dapat sangat berbahaya terhadap kesehatan di wilayah urban (Hu et al., 2013; Qin et al.,2014; Elbayoumi et al., 2014), seperti daerah Jakarta yang memiliki jumlah penduduk mencapai 12,7 juta jiwa pada siang hari (BPS Jakarta,2016)
Gambar 1. Time Series Konsentrasi PM10 di Jakarta selama 1 tahun, sejak Desember 2009 hingga November 2010
Gambar 2. Distibusi frekuensi PM10 di Jakarta. Dimana grafik batang hijau menunjukan kategori baik, bir u menunjukan kategori
3.2 VARIASI MUSIMAN
KONSENTRASI PARTIKULAT PM10
Secara umum, konsentrasi dari Partikulat PM10 di Jakarta memiliki nilai mean konsentrasi yang berdekatan di setiap musimnya seperti pada tabel 3.1 dibawah. Namun, standar deviasi dari data yang cukup besar memperlihatkan simpangan yang juga besar dari nilai mean-nya. Hal ini,juga dapat dibuktikan dengan nilai minimum-maksimum yang memiliki rentang yang sangat jauh. Konsentrasi tertinggi terdapat pada musim JJA
dengan mean 60,412±65,629 μg/m3 dan
konsentrasi terendah terdapat pada musim DJF dengan mean 46,605±52,063 μg/m3. Dari perhitungan statistika deskriptif ini memerlihatkan adanya pengaruh dari musiman dalam menghasilkan rata-rata. Apabila dilustrasikan menggunakan boxplot per musim maka hasilnya juga akan memperlihatkan hasil yang mirip dengan perhitungan statistika deskriptifnya.
Pada boxplot DFJ, 75% data konsentrasi PM10 berada diantara nilai 11,28 –
76,3 μg/Nm3 dan 25% sisanya berada diantara
76,3 - 137,35 μg/Nm3 yang mana pada musim ini konsentrasi masih relatif aman untuk daerah Jakarta. Pada boxplot MAM 75% data berada diantara 11,93 –89,7 μg/Nm3 dan 25% sisanya berada diantara 89,7 –192,45 μg/Nm3. Namun pada musim MAM terdapat 1 pencilan yang
bernilai 192,45 μg/Nm3 , pencilan ini terdapat
pada tanggal 10 Mei yang mana pada musim ini konsentrasi masih aman dan lebih banyak besar variasi nya daripada musim DJF. Namun, variasi terhadap data yang konsentrainya tinggi lebih kecil dari pada DFJ.Pada boxplot JJA keseluruhan data berada pada nilai dibawah 50. Sehingga, pada bulan ini menandakan variasi yang sangat kecil terhadap nilai konsentrasi dari keseluruhan musim.Pada boxplot SON 75% data berada diantara 5 – 80 dan 25% sisanya berada diantara 80 – 155. yang mana pada musim ini konsentrasi masih relatif aman, namun 25% data dapat bervariasi sampai batas yang tidak sehat untuk manusia.
3.3 KORELASI POLUTAN DENGAN
PARAMETER METEOROLOGI
Pola hubungan antara 2 variabel yaitu parameter meteorologi dan konsentrasi PM10
dapat dilihat melalui scatter plot yang menunjukan kecenderungan hubungan antara nilai-nilai kedua parameter tersebut. Menurut
Hendra Poerwanto G., 2012 menyebutkan
bahwa pola dari scatter plot dapat dibedakan menjadi lima jenis yaitu:
1. korelasi positif, y akana naik bila x naik. Bila x dikendalikan maka y juga akan terkendali.
2. ada kecenderungan korelasi positif. Bila x naik, y cenderung naik, namun kemungkinan ada faktor lain yang mempengaruhi.
3. Tidak nampak adanyakorelasi.
4. Ada kecenderungan korelasi negatif. Bila x naik maka y akan cenderung turun. 5. Korelasi negatif. Y akan turun jika x naik,
dimana jika x dikendalikan maka y juga akan terkendali.
Kemudian hubungan antara kedua parameter tersebut juga dapat dilihat dari nilai koefisien korelasi seperti pada tabel berikut,
Tabel 2. Nilai Koefisien korelasi dan pengaruh korelasinya Dari gambar 5(a), scatter plot antara konsentrasi PM10 dengan temperatur virtual, terlihat bahwa pola dari sebaran titik menunjukan adanya pola kecenderungan negatif. Pola yang menunjukan adanya kecenderungan negatif dibuktikan dengan nilai slope linier yang menunjukan nilai negatif (yaitu -4.9342). Hal ini menunjukan bahwa jika terjadi kenaikan temperatur virtual akan disertai dengan adanya penurunan konsentrasi dari PM10. Nilai koefisien korelasi yang dihasilkan adalah -0.23761 yang berarti hubungan antara konsentrasi PM10 dengan temparatur virtual kurang kuat atau rendah dan berkebalikan.
Sedangkan pada hasil scatterplot hubungan antara curah hujan dan konsentrasi PM10 yang ditunjukan oleh gambar 5(b), menunjukan adanya korelasi negatif. Hal ini dapat kita lihat dari pola sebaran dan nilai slope logaritmiknya yg menunjukan nilai negatif. Dimana semakin besar nilai dari intensitas curah hujannya, maka akan semakin menurunkan konsentrasi dari PM10. Curah
hujan yang tinggi akan melarutkan polutan yang ada di atmosfer sehingga konsentrasinya semakin berkurang. Nilai dari koefisien regresi sebesar -0.83802 menunjukan hubungan yang sangat kuat antara curah hujan dengan konsentrasi PM10 namun memiliki sifat berkebalikan.
Diagram mawar angin atau biasa disebut wind rose, dikelompokan berdasarkan tingkat konsentrasi polutan, dibagi menjadi tiga kelas yaitu ketika konsentrasi lemah pada gambar 4(a), sedang pada gambar 4(b) dan kuat pada gambar 4(c). Dari kelompok-kelompok tersebut dapakita lihat bahwa pada saat konsentrasi lemah polutan menyebar terbawa oleh angin yg berasal dari barat, timur, dan tmur laut. Sedangkan pada saat konsentrasi sedang polutan terbawa oleh angin baratan. Dan pada saat konsentrasinya kuat polutan terbawa angin yg bertiup dari arah tenggara, barat dan utara. Dengan kecepatan angin maksimal lebih besar dari 11 m/s pada semua kelas.
Hasil scatter plot antara angin dengan konsentrasi PM10 gambar 6(c) terlihat bahwa adanya pola korelasi negatif dimana nilai konsentrasi PM10 semakin turun jika kecepatan angin semakin tinggi. Hal ini juga didukung oleh nilai slope yang juga bernilai negatif. Nilai dari koefisien korelasi menunjukan angk -0,717 hal ini berarti konsentrasi PM10 dengan angin memiliki hubungan yang sangat kuat namun saling berkebalikan. Jadi semakin cepat angin bertiup maka konsentrasi PM10 di suatu titik di DKI jakarta akan semakin menurun,penyebabnya karena angin mengakibatkan dispersi polutan ke tempat lain sesuai dengan arah bertiupnya angin.
3.4 MULTI LINIER REGRESI DAN
PREDIKSI JANGKA PENDEK
a
a
b
b
c
c
Gambar 4. Mawar angin (windrose) yang telah dikelompokan berdasarkan tingkat konsentrasi polutan. (a) kuat, (b) sedang, (c) lemah
Gambar 5. Gambar diatas merupakan hasil scatter plot antara konsentrasi PM 10 dengan parameter meteorologi. (a) scatterplot antara konsentrasi PM10 dengan Temperatur Virtual secara linier. (b) scatterplot antara konsentrasi PM10 dengan curah hujan secara logaritmik.
(c) scatterplot antara konsentrasi Pm10 dengan kecepatan angin secara logaritmik
Gambar 6. Gambar dismaping menunjukan plot timeseries antara data observasi dan estimasi dari PM10 yang merupakan hasil dari perhitungan MLR. Dimana persamaannya adalah:
Konsentrasi PM10= 177,62 – (3,12 x kecepatan angin) – (0,64 x curah hujan) – (2,9118 x temperatur virtual)
Dari model yang dibuat menggunakan MLR didapatkan bahwa koefisien determinasi dari model bernilai 0,6466. Hal ini menjelaskan bahwa model MLR yang dihasilakan dapat menjelaskan 64,66% data yang dihasilkan dari variabel yang tidak saling kebergantungan. Apabila dibandingkan dengan hasil yang didapatkan oleh Elbayoumi pada tahun 2015 di Gaza dengan parameter yang mirip yang bernilai 0,59 maka, hasil yang diberikan oleh model MLR ini lebih baik. Sehingga, hasil prediksi selama 3 hari kedepan dapat dilihat di Tabel 3.
4.
KESIMPULAN
Dari penelitian ini dapat ditarik kesimpulan bahwa:
- stabilitas atmosfer yang tinggi dan kecepatan angin yang rendah serta tidak adanya curah hujan menyebabkan partikulat yang tidak banyak menyebar di daerah pengamatan. - Dari perhitungan statistika deskriptif
memerlihatkan adanya pengaruh dari musiman dalam menghasilkan rata-rata.
- Scatterplot menunjukan bahwa nilai koefisien korelasi antara konsentrasi PM10 dengan parameter meteorologi (angin, curah hujan dan temperatur virtual) menunjukan korelasi negatif dengan nilai -0,71785 untuk angin; -0,83802 untuk curah hujan; dan -0,23761 untuk temperatur virtual.
- koefisien determinasi dari model bernilai 0,6466 yang menjelaskan bahwa model MLR yang dihasilakan dapat menjelaskan 64,66% data yang dihasilkan dari variabel yang tidak saling kebergantungan.
REFERENSI
Agustin, Sekar. 2012. Hubungan Particulate Matter (PM10) Dan Nitrogen Dioksida (NO2) Dengan Jumlah Asma di Jakarta Pusat Tahun 2007-2011. Fakultas Kesehatan Masyarakat Program Studi Kesehatan Masyarakat Perminatan Kesehatan Lingkungan, Universitas Indonesia. Depok.
Anjarsari, Kartika. 2016. Analisis Pengaruh Parameter Meteorologi terhadap Variasi Musiman Konsentrasi Suspended Particulate Matter (SPM). Program Studi Meteorologi Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung. Bandung.
Clean Air Initiative for Asia Cities (CAI-Asia)(2010). Particulat Matter (PM) Standards in Asia. 12 Desember 2016. http://cleanairinitiative.org/2_particulate_
matter_PM_standard_in_Asia_Fact_Shee t_26_August_2010_1.pdf
Colette, A., Granier, C., Hodnebrog, Ø., Jakobs, H., Maurizi, A., Nyiri, A., Bessagnet, B., D'Angiola, A., D'Isidoro, M., Gauss, M., Meleux, F., Memmesheimer, M., Mieville, A., Rouïl, L., Russo, F., Solberg, S., Stordal, F., Tampieri, F., 2011. Air Quality Trends in Europe Over the Past Decade : a First Multi-Model Assessment. Elsevier.
Elbayoumi, M., Ramli, N.A., Yusof, N. F. F. Md.,2015.Development and comparison of regression models and feed forward back propagation neural network models to predict seasonal indoor PM2.5-10 and PM2.5 concentrations in naturally ventilated schools. Elsevier.
G Hendra Poerwanto. 2012. Diagram Scatter. 10
November 2016.
https://sites.google.com/site/kelolakualita s/Diagram-Pencar
Hu, M., Jia, L., Wang, J., Pan, Y., 2013. Spatial and temporal characteristics of particulate matter in Beijing, China using the empirical mode decomposition method. Elsevier.
Jang, E., Do, W., Park, G., Kim, M., Yoo, E., 2016. Spatial and Temporal Variation of Urban Air Pollution and Their Concentration in Relation to Meteorological Conditions at Four Sites in Busan, South Korea. Elsevier.
Jayamurugan, R., Kumaravel, B., Palanivelraja, S. and Chockalingam, M.P. (2013). Influence of Temperatur, Relative Humidity and Seasonal Variability on Ambient Air Quality in a Coastal Urban Area. International Journal of Atmospheric Sciences. Vol. 2013
Prasauskas, T., Martuzevicius, D., Krugly, E., Ciuzas, D., Stasiulaitiene, I., Sidaraviciute, R., Kauneliene, V., Seduikyte, L., Jurelionis, A., Shaughnessy, U.H., 2013. Spatial and Temporal Variations of Particulate Matter Concentration in Multifamily Apartment Building. Elsevier.
WHO Air Quality Guidelines for Particulate Matter, Ozone, Nitrogen dioxide,and Sulfur dioxide Global Update (2005). Summary of risk assesment. 12 Desember 2016.
