Peta Kepadatan Penduduk, Tingkat PDRB Perkapita dan Pendidikan

Penentuan variabel dilakukan dengan membuat data-data atribut sebagai parameter data. Apabila data awalnya masih spasial, maka dikonversi ke data atribut. Untuk keperluan ini digunakan hotspot tahun 2007-2012 untuk pengukuran parameter dari masing-masing variabel. Variabel selanjutnya dibagi ke dalam beberapa kelas . Jenis variabel seperti tercantum pada Tabel 13. Untuk mengetahui beda nyata antar kelas di dalam suatu variabel dilakukan analisis regresi logistik biner dengan bantuan software SPSS 16. Unit terkecil analisis regresi ini adalah area piksel ukuran 1 km x 1 km, dimana untuk wilayah studi terdiri atas 3 869 piksel. Setiap area piksel yang dijumpai ada hotspot diberi kode 1 dan piksel-piksel tanpa hotspot diberi kode 0. Model regresi logistik biner kerawanan kebakaran dinyatakan fit bagus apabila model yang terbentuk memiliki nilai signifikansi 0.05 dan hasil uji Hosmer and Lemeshow Test mempunyai nilai 0.05. Beda nyata antar kelas dapat diketahui dengan melihat nilai signifikansi setiap kelas terhadap kelas pembanding, dimana 2 kelas dinyatakan berbeda nyata apabila kelas-kelas tersebut memiliki nilai signifikansi 0.05. Tabel 13 Pengkelasan variabel yang akan digunakan dalam menyusun model No Variabel Kelas Satuan 1. Jarak darijalan 0-1; 1-4; 4-18 km 2. Kepadatan penduduk 0-25; 25-75; 75-600 orangkm² 3. Tingkat pendidikan rasio siswa terhadap jumlah penduduk 0-0.2; 0.2-0.4; 0.4-0.6; 0.6-0.8 4. Jarak dari mangrovelaut 0; 0-3; 3-26 km 5. Status kawasan Kawasan hutan; kawasan budidaya - 6. Jarak darikota kecamatan 0-7; 7-14; 14-23 km 7. Tingkat ekonomi per kapita masyarakat PDRB per kapita 0-3; 3-6; 6-10 jutaorang 8. Suhu bulanan rata-rata 22-24; 24-26; 26-28 °C 9. Curah hujan tahunan 1 900-2 000; 2 000-2 100; 2 100-2 250 milimeterth 10. Jenis tutupan lahan Hutan rawa; hutan mangrove; hutan pegunungan; pertanian dan pemukiman; badan air; savana 11. Ketinggian elevasi 0-100; 100-200; 200-1100 meter 12. Kelerengan slope 0-8; 8-30; 30 13. Jarak darisungai 0-1; 1-4; 4-7; 7-19 km

4.3.4.2 Penghitungan Nilai Skor

Nilai skor masing ‐masing variabel dapat dihitung dengan menggunakan formula berikut : x = ∑ ; e = Dimana : x = skor kelas sub faktor o = jumlah hotspot yang ada pada tiap kelas observed hotspot e = jumlah hotspot yang diharapkan pada tiap kelas expected hotspot T = jumlah seluruh hotspot F = persentase luas pada tiap kelas Untuk melakukan perhitungan jumlah hotspot yang ada pada masing- masing kelas, digunakan ekstensi Arc GIS 9.3 Hawths Tools yang dapat di unduh secara gratis dari internet. Ekstensi ini dapat menghitung jumlah hotspot di dalam poligon kelas variabel. 4.3.4.3 Penghitungan Nilai Skor Skala Rescalling Score Rescalling score digunakan untuk menstandarkan nilai skor pada masing- masing variabel pada rentang niai tertentu. Salah satu cara menstandarkan skor skala adalah formula Jaya et al. 2007, dimana masing-masing kelas diberi skor pada rentang 10 sampai dengan 100 menggunakan persamaan berikut : ScoreR = { ∗ScoreR + − ScoreR - } + ScoreR - Keterangan : Score R = nilai skor hasil Rescalling Score E -1 = nilai skor dugaan estimated score input Score E - = nilai minimal skor dugaan Score E + = nilai maksimal skor dugaan Score R + = nilai skor tertinggi hasil Rescalling Score R - = nilai skor terendah hasil Rescalling Variabel dalam analisis ini memiliki jumlah kelas yang sedikit umumnya 3-4 kelas dan menghasilkan skor dugaan yang nilainya sama dengan skor aktualnya, sehingga nilai skor dugaan dalam formula ini dimodifikasi dengan skor aktual masing-masing kelas. Peta tematik variabel yang telah diberi atribut skor dan data posisi hotspot selanjutnya dikonversi menjadi data raster dengan ukuran area piksel sama yaitu 1 km x 1 km. Penyamaan ukuran area piksel ini untuk memungkinkan proses overlay. Jumlah piksel wilayah studi mencapai 3 869 piksel 1 piksel berukuran 1 km x 1 km selanjutnya diuji untuk mendapatkan model regresi dengan nilai koefisien determinasi terbaik. Analisis hubungan antara skor setiap peubah terhadap kepadatan hotspot dilakukan melalui pendekatan analisis regresi dengan estimasi kurva. Penilaian signifikansi dan koefisien determinasi R Square dilakukan oleh software SPSS 16 dengan variabel bebas masing-masing peubah dan variabel terikat kepadatan hotspot pada radius 1 km.