sehingga akan didapatkan 12 peta kerawanan kebakaran hutan yaitu Januari s.d. Desember untuk 3 tahun data.
3.3.4. Validasi peta rawan bencana dengan menggunakan data hotspot
Peta wilayah rawan kebakaran hutan yang diperoleh akan divalidasi dengan menggunakan data titik panas hotspot satelit MODIS yang diperoleh dari BMKG.
Teknik validasi dilakukan dengan metode overlay dengan menggunakan Arc-GIS. Ketika terjadi kesesuaian antara lokasi hotspot dengan daerah yang memiliki tingkat
kerawanan tinggi KBDI = 1500 maka dapat dikatakan bahwa peta kerawanan kebakaran tersebut telah tepat.
Universitas Sumatera Utara
3.3.5. Diagram alir penelitian
ANALISA KORELASI
MODEL REGRESI
CURAH HUJAN ESTIMASI
METODE MOCK 1973
SUHU MAXIMUM ESTIMASI
PERHITUNGAN KBDI
ARC GIS VER. 10
PETA RAWAN KEBAKARAN HUTAN DAN
LAHAN TERVALIDASI PETA RAWAN
KEBAKARAN HUTAN
TITIK PANAS HOTSPOT
VALIDASI
FILTERING SUHU
UDARA MAXIMUM
CURAH HUJAN
OBS CURAH
HUJAN TRMM
FILTERING
KESIMPULAN SARAN
Universitas Sumatera Utara
IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1.
Hasil Penelitian 4.1.1. Filtering data curah hujan observasi dan satelit TRMM
Berdasarkan faktor kontinuitas dan kualitas data, dalam penelitian ini dipergunakan data curah hujan dari 4 stasiun BMKG dengan periode data yaitu dari
tanggal 01 Januari 2010 s.d. 31 Desember 2012. Alasan pertama pemilihan stasiun BMKG yang terutama didasarkan pada posisi stasiun tersebut dan kontinuitas data
yang ada. Empat stasiun yang dipilih telah mewakili 3 jenis wilayah di provinsi Sumatera Utara yaitu Stasiun Meteorologi Polonia mewakili wilayah pantai Timur,
Stasiun Geofisika Tuntungan dan Parapat mewakili wilayah pegunungan, dan Stasiun Geofisika Gunung Sitoli mewakili wilayah pantai Barat. Penyebab kedua
pemilihan stasiun-stasiun tersebut adalah mengingat bahwa resolusi spasial curah hujan satelit TRMM yaitu sekitar 27 km, sedangkan jarak antar stasiun BMKG
biasanya masih berkisar antara 7-15 km. Oleh karena itu, telah dipilih satu stasiun BMKG yang dapat mewakili tiap grid sesuai dengan pembagian wilayah Propinsi
Sumatra Utara Pantai Timur, Pantai Barat dan wilayah Pegunungan.
Pada data curah hujan dari satelit TRMM dan observasi, telah dilakukan proses filtering data dengan metode Grub’s test. Pertama-tama, Metode Grub’s test
diterapkan untuk data harian per bulan per tahun dengan confidence level 90 dimana batas Z= 1.46. Ketika sebuah data memiliki nilai Z dari 1.46 maka data
tersebut diindikasikan sebagai Outlier dan dihilangkan dari data yang ada.
Universitas Sumatera Utara
Kemudian data harian yang telah difiltering per bulan per tahun per stasiun tersebut digabungkan per bulannya sehingga didapatkan data per bulan per 3 tahun tahun
2010 s.d. 2012 untuk masing-masing stasiun. Berikut ini adalah presentase data curah hujan observasi dan satelit TRMM yang dideteksi sebagai outlier dan
kemudian dihapus untuk setiap stasiun per bulan dalam periode tahun 2010 s.d. 2012. Proses filtering data secara lengkap dapat dilihat pada lampiran.
Tabel 4.1. Presentase data curah hujan observasi setelah dilakukan filtering Stasiun
Jan Feb
Mar Apr
Mei Jun
Jul Ags
Sep Okt
Nop Des
Polonia 90.3 93.8 92.0 95.8 93.5 92.5 91.9 94.3 97.5 93.5 91.7 95.9
Tuntungan 91.1 92.9 92.7 93.3 91.1 93.3 91.9 95.9 0.92 88.7 93.3 93.5
Parapat 95.9 94.7 96.8 95.0 93.5 95.8 95.2 93.5 95.0 94.3 94.2 90.3
Gunung Sitoli
91.1 92.0 91.1 93.3 92.7 95.0 93.5 91.9 95.0 92.7 89.2 90.3
Tabel 4.2. Presentase data curah hujan TRMM setelah dilakukan filtering Stasiun
Jan Feb
Mar Apr
Mei Jun
Jul Ags
Sep Okt
Nop Des
Polonia 88.7 95.6 84.7 85.1 83.9 93.3 87.9 93.5 93.3 86.3 89.2 83.1
Tuntungan 90.3 93.8 88.7 94.2 86.3 90.8 83.9 83.1 0.80 76.6 7.75 93.5
Parapat 90.3 94.7 90.3 77.5 81.4 89.2 92.7 95.1 92.5 85.5 92.5 90.3
Gunung Sitoli
91.1 91.1 77.4 86.7 86.3 86.7 90.3 78.2 86.7 91.9 99.2 90.3
Universitas Sumatera Utara
4.1.2. Korelasi antara data curah hujan harian TRMM dengan data hujan harian dari stasiun penakar hujan
Setelah melalui proses filtering data, maka dilakukan korelasi dengan menggunakan regresi linear. Derajat korelasi antara variabel bebas curah hujan
harian satelit TRMM dan variabel tidak bebas curah hujan harian observasi dipresentasikan oleh koefisien korelasi r dari model regressi StatSoft, 2012, Steel
and Torrie, 1960.
Gambar 4.1. Grafik perbandingan nilai koefisien korelasi r Berdasarkan model regressi
Berdasarkan grafik perbandingan nilai koefisien korelasi r dari model regressi,
dapat dilihat bahwa nilai koefisien korelasi antara curah hujan harian dari stasiun observasi dan satelit TRMM bervariasi setiap bulannya. Korelasi tertinggi dicapai
oleh Stasiun Geofisika Tuntungan dengan nilai korelasi 0.79 pada bulan Agustus. Korelasi terendah terlihat pada Stasiun Geofisika Parapat dengan nilai korelasi 0.24
Universitas Sumatera Utara
pada bulan Januari. Secara umum, nilai korelasi akan meningkat pada bulan Maret s.d. Mei dan Agustus s.d. Desember r 0.5. Rata-rata korelasi tertinggi berada di
Stasiun Geofisika Tuntungan dan Stasiun Meteorologi Polonia dengan nilai korelasi lebih besar dari 0.50.
4.1.3. Estimasi curah hujan harian berdasarkan data satelit TRMM
Dari hasil korelasi data curah hujan maka diperoleh persamaan linear untuk masing-masing stasiun utama pada bulan tertentunya. Adapun persamaan regressi
linear yang diperoleh untuk 4 empat stasiun utama yaitu sebagai berikut : Tabel 4.3. Persamaan Regresi Linear untuk stasiun utama
Bulan Stasiun
Polonia Tuntungan
Parapat Gunung Sitoli
Januari
y = 0.5337x + 0.9415
y = 0.7782x - 0.0732
y = 0.2439x + 1.1648
y = 0.2612x + 1.0987
Februari
y = 0.3817x + 0.3342
y = 0.1416x + 0.243
y = 0.2823x + 0.4408
y = 0.3851x + 1.5985
Maret
y = 0.577x + 0.2992
y = 0.9915x + 0.969
y = 0.4654x + 0.2934
y = 0.3515x + 1.9916
April
y = 0.6053x + 0.3337
y = 0.6195x + 0.657
y = 0.663x + 0.5023
y = 0.5153x + 0.505
Mei
y = 0.6607x + 0.1798
y = 0.7401x + 0.729
y = 0.4423x + 0.5502
y = 0.524x + 1.4637
Juni
y = 0.4303x + 0.2256
y = 0.5856x + 1.372
y = 0.3051x + 0.1894
y = 0.4634x + 1.6162
Juli
y = 0.4614x + 0.5226
y = 1.0781x - 0.1539
y = 0.6755x - 1.1546
y = 0.5385x + 1.9883
Agustus
y = 0.608x + 0.6605
y = 0.8393x - 0.9495
y = 0.4108x - 1.0922
y = 0.4643x + 1.5408
September
y = 0.9033x + 0.2659
y = 0.6555x + 1.314
y = 0.3118x + 0.4554
y = 0.6386x + 2.5974
Oktober
y = 0.6008x + 0.6015
y = 0.8637x - 0.0888
y = 0.6683x + 0.7454
y = 0.5494x + 0.9157
Nopember
y = 0.5351x + 0.9881
y = 0.7111x + 0.384
y = 0.8078x - 0.5211
y = 0.5199x + 1.9707
Desember
y = 0.5261x + 0.1647
y = 0.5711x + 0.83
y = 0.5207x + 0.913
y = 0.4474x + 1.8253
Universitas Sumatera Utara
Setelah mendapatkan persamaan regressi linear per bulan per stasiun utama, maka persamaan tersebut akan dipergunakan untuk memprediksi curah hujan harian
di ketiga belas stasiun tambahan yang telah ditentukan. Adapun hasil estimasi curah hujan satelit TRMM yang diperoleh dibagi dalam 3 wilayah yaitu pantai barat, pantai
timur dan pegunungan untuk masing - masing stasiunnya adalah sebagai berikut :.
Gambar 4.2. Pola Harian Curah Hujan Estimasi satelit TRMM Periode Tahun 2010 - 2012 untuk wilayah Pantai Barat Sumatera Utara
Universitas Sumatera Utara
Gambar 4.3. Pola Harian Curah Hujan Estimasi satelit TRMM Periode Tahun 2010 - 2012 untuk wilayah Pegunungan Sumatera Utara
Gambar 4.4. Pola Harian Curah Hujan Estimasi satelit TRMM Periode Tahun 2010 - 2012 untuk wilayah Pantai Barat Sumatera Utara
Universitas Sumatera Utara
4.1.4.
Estimasi Suhu Udara Harian
Demikian juga untuk suhu udara maximum harian hasil estimasi dengan menggunakan persamaan Mock 1973 dan yang akan digunakan untuk menghitung
nilai KBDI, adapun hasl perhitungannya dibagi dalam 3 wilayah yaitu Pantai Timur, Pegunungan, Pantai Barat adalah sebagai berikut :
Gambar 4.5. Pola Harian Suhu Udara Estimasi Periode Tahun 2010 - 2012 untuk wilayah Pantai Timur Sumatera Utara
Universitas Sumatera Utara
Gambar 4.6. Pola Harian Suhu Udara Estimasi Periode Tahun 2010 - 2012 untuk wilayah Pegunungan
Gambar 4.7. Pola Harian Suhu Udara Estimasi Periode Tahun 2010 - 2012 untuk wilayah Pantai Barat
Universitas Sumatera Utara
4.1.5. Pembuatan peta rawan bencana kebakaran hutan dengan KBDI a. Peta Rawan Bencana Kebakaran Hutan bulan Januari
Pada bulan Januari tahun 2010 KBDI yang terjadi secara umum berkisar antara sedang hingga tinggi. Pada KBDI tingkat tinggi terjadi di sekitar pantai Barat hingga
Selatan dan pantai Timur Sumatera Utara dan Selatan pulau Nias. Sedangkan untuk daerah pegunungan KBDI berada pada tingkat sedang.
Gambar 4.8. Peta KBDI Rata-rata Bulan Januari Tahun 2010 berdasarkan Data satelit TRMM
Universitas Sumatera Utara
Pada umumnya bulan Januari tahun 2011 KBDI berkisar antara rendah hingga tinggi. Dimana KBDI tingkat tinggi terjadi di bagian Selatan Sumatera Utara,
sedangkan daerah lereng Barat dan pegunungan berada pada tingkat sedang. Untuk nilai KBDI tingkat rendah terjadi pada daerah pantai Timur, lereng Timur dan
sebagian pegunungan.
Gambar 4.9. Peta KBDI Rata-rata Bulan Januari Tahun 2011 berdasarkan Data satelit TRMM
Universitas Sumatera Utara
Pada bulan Januari tahun 2012 indeks KBDI secara umum berada pada tingkat tinggi kecuali sebagian pegunungan dan lereng Timur berada pada tingkat sedang.
Sedangkan untuk pulau Nias juga terbagi dua dimana tingkat tingggi di Nias bagian Selatan sedangkan tingkat sedang berada pada daerah Nias bagian Utara.
Gambar 4.10. Peta KBDI Rata-rata Bulan Januari Tahun 2012 berdasarkan Data satelit TRMM
Universitas Sumatera Utara
Dari peta KBDI rata-rata bulan Januari, maka dapat terlihat dimana pada bulan Januari nilai KBDI berkisar dari sedang hingga tinggi. Pada KBDI tinggi
terjadi di daerah bagian Selatan Sumatera Utara dan sebagian pantai Barat sedangkan untuk tingkat KBDI sedang terjadi pada daerah lereng Barat, pegunungan, lereng
Timur dan pantai Timur Sumatera Utara.
Gambar 4.11. Peta KBDI Rata-rata Bulan Januari berdasarkan Data satelit TRMM
Universitas Sumatera Utara
b. Peta Rawan Bencana Kebakaran Hutan bulan Pebruari
