Korelasi Variabilitas Iklim dan Luas Terbakar di

Kalimantan dengan Metode Clustering

Pulau Kalimantan telah menghadapi kebakaran hutan

musiman selama beberapa dekade. Fenomena ini
semakin parah saat musim kemarau, terutama saat
kemarau panjang berbarengan dengan fenomena El
Niño-Southern Oscillation (ENSO). Oleh karena itu,
iklim merupakan salah satu pemicu fenomena
kebakaran. Makalah ini mengkaji hubungan antara
variabel iklim yaitu suhu, curah hujan, kelembaban
relatif, dan kecepatan angin, serta terjadinya
kebakaran hutan menggunakan dua metode
clustering yaitu metode clustering K-means dan
Fuzzy C-means (FCM). Kalimantan dikelompokkan
menjadi empat wilayah berdasarkan data luas
kebakaran yang diperoleh dari Global Fire Emission
Data (GFED). Itu juga dikelompokkan menurut
kombinasi variabel iklim. Kedua metode tersebut
mencapai korelasi tertinggi antara variabel iklim dan
cluster area terbakar pada bulan September. Metode
K-means memberikan korelasi -0,54 sedangkan FCM
memberikan -0,55. Pada bulan Agustus hingga
Oktober, kelembaban relatif memberikan korelasi
dominan yang mempengaruhi area terbakar,
meskipun variabel curah hujan atau angin tambahan
sedikit meningkatkan korelasi dalam metode FCM.
Pada bulan November, suhu sebagian besar
berkontribusi pada area terbakar dengan korelasi
positif 0,31 di K-means dan 0,33 di FCM. Kinerja
evaluasi metode dilakukan dengan validasi internal
yang disebut indeks Silhouette. Kedua metode
tersebut memiliki nilai indeks positif berkisar antara
0,39 hingga 0,69 dan nilai maksimum dipengaruhi
oleh cluster angin. Hal ini menunjukkan bahwa
metode clustering yang diterapkan dalam makalah ini
dapat mengidentifikasi salah satu atau kombinasi
variabel iklim menjadi cluster yang padat dan
terpisah dengan baik.

1. Perkenalan
Kebakaran hutan dan lahan telah menjadi perhatian
masyarakat global, terutama sejak El Niño Southern
Oscillation (ENSO) tahun 1982-1983, 1994, dan
1997-1998 juga mengakibatkan tingginya insiden
dan intensitas kebakaran (Kita, Fujiwara, &
Kawakami). , 2000). Fenomena El Niño
menyebabkan curah hujan lebih sedikit sepanjang
tahun, sehingga musim kemarau lebih panjang
(Fadholi, 2013). Faktor iklim lain seperti suhu,
kelembaban, dan angin juga mempengaruhi
kebakaran hutan (Aryadi, Satriadi, & Syam'ani,
2018). Kebakaran hutan dan lahan menyebabkan
penurunan kualitas ekosistem alam, seperti kerusakan
hutan dan vegetasi (Margono et al., 2012).
Kebakaran yang tidak terkendali merupakan faktor
utama yang berkontribusi terhadap hilangnya hutan
dan lahan di daerah tropis (Siegert & Hoffmann,
2000). Kebakaran hutan juga dianggap sebagai
ancaman bagi pembangunan berkelanjutan karena
kontribusinya terhadap peningkatan emisi karbon
(Tacconi, Moore, & Kaimowitz, 2007).

Barber (2000) menyatakan bahwa kebakaran hutan

telah terjadi sejak abad ke-17 di Kalimantan. Hal ini
disebabkan oleh banyak faktor, seperti iklim,
lingkungan, dan juga faktor sosial-ekonomi (Barber
& Schweithelm, 2000). Saat terjadi kekeringan
akibat fenomena cuaca El Niño seperti tahun 2015
dan 2019, maka kebakaran hutan akan terjadi. Ini
menunjukkan bahwa iklim memainkan peran penting
dalam kebakaran di Kalimantan. Berdasarkan
beberapa penelitian sebelumnya (Aflahah, Hidayati,
Hidayat, & Alfahmi, 2018; Latifah, Shabrina,
Wahyuni, & Sadikin, 2019; Mareta, Hidayat,
Hidayati, & Latifah, 2019), terdapat beberapa
variabel iklim yang mempengaruhi kebakaran di
Kalimantan. Berdasarkan informasi iklim dan area
terbakar di masa lalu, informasi yang tepat dapat
dihasilkan untuk membantu mencegah dan
mengurangi risiko kebakaran di masa mendatang.

Metode clustering, seperti metode K-means dan

Fuzzy C-means (FCM) telah banyak digunakan dan
ditetapkan untuk mengelompokkan kebakaran hutan
guna menganalisis risiko kebakaran. Studi
sebelumnya (Pramesti, Lahan, Tanzil Furqon, &
Dewi, 2017; Shoolihah, Furqon, & Widodo, 2017;
Sukamto, Id, & Angraini, 2018) menerapkan metode
untuk mengelompokkan fenomena kebakaran di
seluruh Indonesia berdasarkan kebakaran berbasis
satelit MODIS data hotspot. Studi mereka menyoroti
bahwa metode pengelompokan K-means dapat
menganalisis data kebakaran dan menangkap potensi
kebakaran pada tingkat tinggi, sedang, atau lemah.
Studi lain (Wang, Liu, & Cui, 2017) menunjukkan
bahwa metode pengelompokan K-means dapat
dengan cepat dan akurat memetakan citra satelit
kebakaran dan mengenali citra lahan yang terbakar
dalam eksperimen dengan data dalam jumlah besar.
Ganesan (2016) membandingkan metode clustering
K-means dan FCM dalam mendeteksi zona
kebakaran di Oregon, Amerika Serikat. Penelitiannya
menyimpulkan bahwa kombinasi metode fuzzy
means clustering dengan algoritma genetika sebagai
metode segmentasi lebih efektif daripada metode K-
means clustering dalam memilih foto piksel terbaik.
Selanjutnya metode K-means clustering juga
diterapkan untuk mendukung proses identifikasi
kebakaran hutan secara otomatis menggunakan foto
digital spasial (Prasad & Ramakrishna, 2008).
Mustofa (2014) memprediksi besarnya kebakaran
hutan dengan variabel iklim dan indeks cuaca
kebakaran hutan menggunakan metode clustering
FCM yang berhasil mengklasifikasikan tingkat
kebakaran menjadi tiga kategori yaitu kawasan
rendah, ringan dan terbakar berat (Shidik & Mustofa,
2014).

Jafarzadeh (2017) mempelajari hubungan antara

iklim dan variabel geografis dan peristiwa kebakaran
di Provinsi Ilam, Iran Barat. FCM digunakan untuk
memetakan semua variabel menjadi 3 cluster yaitu
rendah, sedang dan tinggi. Studi mereka
menyimpulkan bahwa ada hubungan yang kuat
antara cluster kebakaran hutan dan cluster dari 8
variabel input, antara lain: jarak dari permukiman,
kepadatan penduduk, jarak dari jalan, kemiringan,
tegakan pohon ek mati, suhu, tutupan lahan dan
jarak. dari lahan pertanian (Jafarzadeh, Mahdavi, &
Jafarzadeh, 2017). Berbeda dengan studi-studi
tersebut di atas, dalam makalah ini kami
mengaplikasikan data satelit global yang berisi
informasi spasial yang padat tentang iklim dan areal
yang terbakar pada wilayah cluster di Kalimantan.
Hal ini juga dilatarbelakangi oleh terbatasnya data
lokal di Kalimantan.

Dalam makalah ini, fokus kami hanya mempelajari

variabel iklim, yaitu suhu, curah hujan, kelembaban
relatif, dan kecepatan angin. Makalah ini
mengelompokkan Kalimantan berdasarkan
karakteristik iklim kemudian menghubungkan
variabel iklim dengan kejadian kebakaran hutan yang
diperoleh dari Global Fire Emissions Database
(GFED). Penelitian ini bertujuan untuk mengetahui
korelasi antara cluster kebakaran hutan dan cluster
variabel iklim di Pulau Kalimantan. Pemetaan di
Kalimantan dapat memberikan informasi untuk
memprediksi dan mencegah kerusakan hutan dan
lahan di wilayah tersebut.

2. Bahan-bahan dan metode-metode 2.1 Data

dan sumber Makalah ini mengambil seluruh
Pulau Kalimantan seperti yang ditunjukkan pada
Gambar 1 sebagai studi kasus tanpa dibatasi
pada wilayah administratif negara bagian,
provinsi, atau kabupaten. Secara geografis,
Kalimantan berbatasan langsung dengan Laut
Cina Selatan di utara, Laut Sulawesi di timur,
Laut Jawa di selatan, dan Selat Karimata di
barat, serta berada di ekuator. Ini adalah pulau
terbesar ketiga di dunia dan memiliki variasi
iklim yang beragam. Sebagian besar lahan di
Kalimantan tertutup oleh hutan primer dan
sekunder yang sangat rentan terhadap
kebakaran. Dalam simulasi, area tersebut di-
grid menjadi grid horizontal berukuran 40x44
dengan ukuran 0,25 derajat. Dengan
mengabaikan lautan, area grid menjadi hanya
1058 grid.

Gambar 1. Peta Kalimantan berdasarkan data

topografi dalam meter

Penelitian ini menggunakan data luas areal dan iklim

bulanan yang terbakar pada periode 1 Januari 1998 -
1 Desember 2015. Data luas areal terbakar tersebut
diperoleh dari Global Fire Emission Data (GFED)
yang menunjukkan data data areal terbakar yang
dipetakan secara global yang tersedia sejak tahun
1997 (Giglio, Randerson, & Van Der Werf, 2013).
Ini menggabungkan informasi satelit tentang
aktivitas kebakaran dan produktivitas vegetasi untuk
memperkirakan area terbakar bulanan dan emisi
kebakaran. Data iklim yang terdiri dari data curah
hujan bulanan (PCP), suhu udara (TEMP),
kelembaban relatif (RH) dan kecepatan angin
(WIND) diperoleh dari data analisis ulang ERA-
Interim. Karena kebakaran hutan di Kalimantan
terjadi secara musiman mulai bulan Agustus dan
berakhir kira-kira pada awal Desember, luas areal
terbakar bulanan dan data iklim untuk bulan Agustus
sampai November tahun 1998-2015 dianalisis.

2.2 Metode pengelompokan

2.2.1 Metode K-means
Metode K-means merupakan algoritma
pengelompokan. Ini adalah salah satu yang paling
populer dan tertua di kalangan praktisi karena
kemudahan penerapan dan kecepatan pemrosesan
(Xu, Chiang, Liu, & Tan, 2017). Algoritma
pembelajaran ini termasuk dalam metode
pembelajaran tanpa pengawasan (Suyanto, 2018).
Teknik pembelajaran tanpa pengawasan dapat
mengatur data meskipun tidak memiliki label kelas.
Algoritma pengelompokan K-means
mengklasifikasikan titik-titik yang diberikan ke
dalam kelompok k sehingga jarak antar anggota
dalam kelompok yang sama diminimalkan
(Natingga, 2017). Algoritme pengelompokan k-
means menentukan k-centroid awal (titik-titiknya
berada di tengah kluster) - satu untuk setiap kluster.
Kemudian, setiap fitur diklasifikasikan ke dalam
cluster yang sentroidnya paling dekat dengan fitur
tersebut. Setelah mengklasifikasikan semua fitur,
kami membentuk cluster k awal. Untuk setiap
cluster, kami menghitung ulang pusat massa menjadi
rata-rata poin dalam cluster itu. Setelah kami
memindahkan sentroid, kami menghitung ulang kelas
itu lagi. Fitur dapat mengubah kelas. Kemudian kami
menghitung ulang sentroid tersebut. Jika sentroid
tidak bergerak lagi, algoritme pengelompokan k-
means berakhir.

Jarak terpendek dari satu data ke semua sentroid

dihitung untuk mengelompokkan data. Rumus untuk
menghitung jarak ditunjukkan pada Persamaan (1).

dimana adalah 1 untuk menghitung jarak Manhattan,

adalah 2 untuk menghitung jarak Euclidean, dan
untuk menghitung jarak Chebychev. dan merupakan
dua data yang akan dihitung jaraknya dan p adalah
dimensi dari data tersebut (Maimon & Rokach,
2010).
Sebuah objek diklasifikasikan ke dalam cluster k
sehingga Sum of Square Error (SSE) dari objek ke
sentroid k diminimalkan. SSE adalah total jarak
kuadrat antara semua dimensi setiap anggota cluster
dengan centroid cluster yang sesuai. Kemudian,
memperbarui centroid dapat dihitung dari rata-rata
objek data untuk setiap dimensi dengan rumus
berikut

di mana titik pusat dari cluster k, adalah jumlah data

di cluster k, dan adalah data q di cluster k.

2.2.2 Metode fuzzy c-means

Metode clustering Fuzzy C-means (FCM)
diperkenalkan oleh Dunn (1973) dan dikembangkan
oleh Bezdek (1981) (Bezdek, 1981; Dunn, 1973).
Metode FCM adalah perluasan dari metode K-means
atau hard c-mean clustering. FCM merupakan
algoritma clustering unsupervised yang digunakan
untuk menganalisis jarak antar titik data (Ghosh &
Kumar, 2013). FCM telah diterapkan secara luas
pada masalah yang terkait dengan analisis fitur dan
pengelompokan di berbagai bidang seperti teknik
pertanian, astronomi, kimia, geologi, analisis
gambar, diagnosis medis, analisis bentuk, pengenalan
target (Yong, Chongxun, & Pan, 2004).
Berbeda dengan metode k-means, kumpulan data
dikelompokkan ke dalam cluster c sehingga setiap
titik data terkait dengan setiap cluster dengan derajat
kepemilikan yang berbeda. Derajat ini menunjukkan
level titik data yang dimiliki setiap cluster. Titik data
yang terletak jauh dari pusat cluster memiliki tingkat
kepemilikan yang rendah. Metode ini membuat
partisi yang optimal dengan meminimalkan fungsi
tujuan.

dengan,,, di mana kumpulan data p- dimensi. n

adalah jumlah titik data, adalah jumlah cluster
dengan, adalah derajat kepemilikan in -cluster,
merupakan eksponen pembobot pada setiap
keanggotaan fuzzy untuk menentukan jumlah
ketidakjelasan dari clustering. adalah pusat cluster
dan merupakan jarak antara titik data dan pusat
cluster. Solusi dari fungsi objektif dapat diperoleh
dengan melakukan proses iterasi dengan algoritma
yang dijelaskan dalam (Bezdek, Ehrlich, & Full,
1984).

Langkah awal adalah memilih jumlah cluster dan

bobot eksponennya, kemudian menginisialisasi
matriks partisi. Atur loop penghitung untuk setiap
langkah sebagai

Jika kemudian proses berhenti, sebaliknya ia kembali

ke langkah 2 dengan memperbarui pusat cluster dan
tingkat kepemilikan secara berulang (Rao &
Vidyavathi, 2010).

2.3 Pengolahan dan pengelompokan data

Penelitian ini menggunakan tipe data iklim netCDF
dan tipe data area terbakar HDF5. Data iklim
mencakup data bulanan untuk curah hujan, suhu, dan
kecepatan angin. Setiap data iklim merupakan larik
tak berdimensi dengan ukuran 40 x 44 x 18 untuk
setiap bulan. Data ini terdiri dari 40 titik lintang, 44
titik bujur, dan periode 18 tahun dari tahun 1998
hingga 2015. Selanjutnya, data areal terbakar GFED
setiap bulannya disesuaikan berdasarkan lintang dan
bujur pulau Kalimantan dan dirata-ratakan setiap
bulan dari 1998-2015. Untuk menghindari
penghitungan yang tidak perlu di wilayah lautan,
kami mendefinisikan data iklim sebagai nilai NaN
untuk titik di lautan. Semua data yang diproses
kemudian di-cluster menggunakan algoritma K-
Means dan FCM menggunakan clustering toolbox di
software Matlab.
2.4 Indeks Siluet
Dalam makalah ini, kami memvalidasi hasil
pengelompokan menggunakan indeks Silhouette
yang diusulkan oleh Rousseeuw (1987), validasi
internal atau penilaian akurasi untuk metode
pengelompokan. Silhouette adalah indeks yang
banyak digunakan untuk menilai kesesuaian objek
individu dalam klasifikasi, serta kualitas cluster dan
menggabungkan dua kriteria pengelompokan,
kekompakan dan pemisahan (Lengyel & Botta-
Dukát, 2019). Oleh karena itu, ini mengukur
seberapa baik data telah dikelompokkan. Nilai indeks
berkisar dari -1 hingga +1. Semakin tinggi nilai
indeks Silhouette, semakin baik data yang
dikelompokkan. Jika nilainya sangat rendah atau
negatif, konfigurasi clustering kurang sesuai, dan
bisa jadi terlalu banyak atau terlalu sedikit angka
yang membentuk cluster.

3. Hasil dan Diskusi

3.1 Klaster area terbakar
Dengan menggunakan metode clustering K-means
dan FCM, data areal yang terbakar pada bulan
Agustus hingga November periode 1998-2015
dikelompokkan menjadi empat tingkatan. Hal
tersebut berdasarkan Peraturan Menteri Lingkungan
Hidup dan Kehutanan Republik Indonesia tentang
Kriteria Teknis Status Siaga dan Darurat Kebakaran
Hutan dan Lahan. Ada empat jenis status yaitu
normal, standby, siaga darurat, dan darurat
(Kementerian Lingkungan Hidup dan Kehutanan
Republik Indonesia, 2018). Plot atas pada Gambar 2
menunjukkan hasil K-means, sedangkan plot bawah
menunjukkan hasil FCM. Tingkat cluster pada
Gambar 2 ditunjukkan dengan warna biru, biru
muda, kuning, dan merah. Kedua metode tersebut
menunjukkan hasil yang serupa, yaitu kawasan
didominasi oleh cluster 1 (biru) yang berpusat pada
nilai hampir nol dan dengan sedikit area yang
terbakar habis (merah). Kluster 1 menunjukkan tidak
ada api. Kebakaran kecil dikelompokkan dalam
cluster 2 (biru muda) yang paling banyak terjadi di
Kalimantan bagian selatan, timur dan tengah.
Kebakaran lebih besar yang ditunjukkan dalam
kelompok 3 (kuning) kebanyakan muncul pada bulan
September dan Oktober. Cluster 3 merepresentasikan
area di mana sekitar 1% area terbakar. Kebakaran
terbesar yang ditunjukkan di cluster 4 terjadi hanya
di beberapa area grid di bagian selatan Kalimantan,
terutama pada bulan September.

Pada bulan-bulan rawan kebakaran, dapat

disimpulkan bahwa cluster dengan areal kebakaran
kecil hingga besar sebagian besar berada di
Kalimantan Tengah, Selatan dan Timur. Hasil proses
clustering dengan menggunakan data areal terbakar
dari satelit memiliki kemiripan dengan hasil
penelitian sebelumnya yang menggunakan hotspot
sebagai representasi data kebakaran hutan. Sari
(2020) menyimpulkan bahwa Berau, Kutai Timur
dan Kutai Kartanegara merupakan situs dengan titik
api tertinggi di Kalimantan Timur yang
diklasifikasikan berdasarkan Analisis Tetangga
Terdekat (Sari, Rachmita, & Manessa, 2020). Hasil
ini juga ditunjukkan oleh wilayah biru muda (cluster
2) di Kalimantan Timur pada Gambar 2. Data
Kementerian Lingkungan Hidup dan Kehutanan
dalam Sistem Pemantauan Kehutanan dan Lahan
menunjukkan bahwa Kalimantan Tengah atau
Kalimantan Selatan merupakan salah satu provinsi di
Indonesia dengan tingkat kebakaran hutan yang
tinggi. Selain itu, Pratamasari (2020) menunjukkan
bahwa hotspot area tertinggi di Kalimantan Tengah
atau Kalimantan Selatan terletak di Kotawaringin
Timur, Kota Palangkaraya, dan Pulang Pisau
berdasarkan analisis Kernel Density (Pratamasari,
Permatasari, Pramudiyasari, Manessa, & Supriatna,
2020) . Ini sesuai dengan area merah atau cluster 4
pada bulan September dan November pada Gambar
2.
????????????????????????????????????????????????
????????????????????????????????????????????????
?
4. Kesimpulan
Makalah ini mengkaji korelasi antara kejadian
kebakaran hutan dan variabel iklim di Kalimantan
dengan menggunakan metode clustering yaitu
metode clustering K-means dan FCM. Kombinasi
tunggal atau ganda dari variabel iklim
dikelompokkan ke dalam empat wilayah cluster serta
area terbakar. Metode pengelompokan K-means dan
FCM menunjukkan bahwa kelembaban relatif
berkontribusi paling besar pada area yang terbakar.
Dalam metode pengelompokan K-mean, satu
variabel iklim (kelembaban relatif) menunjukkan
korelasi negatif yang kuat dengan area terbakar di
sebagian besar musim kemarau. Dalam metode
pengelompokan FCM, kombinasi kelembaban relatif
dan curah hujan memberikan korelasi negatif terbesar
pada area yang terbakar. Berbeda dari bulan-bulan
lainnya, kedua metode tersebut menunjukkan bahwa
suhu lebih mungkin mempengaruhi kebakaran di
bulan November. Hasil pengelompokan dievaluasi
menggunakan indeks Silhouette. Berdasarkan nilai
indeks Silhouette, semua variabel iklim yang
berkerumun berada pada posisi baik, padat dan
terpisah dengan baik.
Ucapan Terima Kasih
Kami berterima kasih kepada Puslitbang Informatika,
LIPI atas fasilitas HPC (https://hpc.lipi.go.id/) yang
telah melakukan simulasi. Atas kebaikan ECMWF
untuk menyediakan data ERA-Interim.

Kontribusi Penulis

Semua penulis memberikan kontribusi yang sama

untuk pekerjaan ini.

Konflik kepentingan

Penulis menyatakan tidak ada konflik kepentingan.