Pengarah
Direktur Jenderal Pengendalian Perubahan Iklim, Kementerian Lingkungan Hidup dan
Kehutanan
Penanggung Jawab
Direktur Inventarisasi Gas Rumah Kaca dan Monitoring, Pelaporan dan Verifikasi
Penulis Utama
Joko Prihatno, Rizaldi Boer, Windra Yusman, Anria, Gito Sugih Immanuel
Penulis
Ratnasari Wargahadibrata, Budiharto, Akma Yeni Masri, Allan Rosehan, Franky Zamzani, Heri
Purnomo
ISBN: 978-602-51356-5-1
Diterbitkan oleh:
Direktorat Jenderal Pengendalian Perubahan Iklim, Kementerian Lingkungan Hidup dan
Kehutanan Jl. Jend. Gatot Subroto, Gd. Manggala Wanabakti Blok VII Lt. 12, Jakarta 10270,
Indonesia
KATA SAMBUTAN
Perubahan iklim merupakan salah satu isu global yang menjadi
perbincangan hangat di komunitas internasional dalam
beberapa dekade terakhir. Peningkatan suhu permukaan bumi
hingga melebihi 2oC akan berdampak terhadap dinamika iklim
dan cuaca di masing-masing negara dan berpengaruh
langsung kepada perekonomian, dan ketahanan pangan.
Sebagai bagian komitmen global dalam mengurangi dampak
perubahan iklim, Indonesia telah menyepakati Persetujuan
Paris (Paris Agreement) pada pertemuan Conference of Party
(COP) - United Nation Framework Convention on Climate
Change (UNFCCC) yang ke-21 di Paris Perancis. Indonesia
berkomitmen untuk menurunkan emisi Gas Rumah Kaca
(GRK) sebesar 29% dengan upaya sendiri dan 41% dengan dukungan internasional di tahun
2030 dari asumsi Business as Usual (BaU). Salah satu upaya untuk pelaksanaan komitmen
tersebut, Pemerintah Indonesia diharapkan dapat melaporkan emisi Gas Rumah Kaca (GRK)
aktual atau lebih dikenal dengan inventarisasi GRK ke UNFCCC dengan mengikuti standar
yang telah diatur dalam Pedoman IPCC, di antaranya terkait dengan pelaksanaan Penjaminan
dan Pengendalian Mutu (QA/QC) yang dilanjutkan oleh pelaksana inventarisasi GRK.
Dalam rangka memberikan panduan bagi pelaksanaan inventarisasi GRK di Indonesia untuk
K/L terkait, maka diterbitkan Pedoman QA/QC inventarisasi GRK. Pedoman ini dibuat oleh
Direktorat Jenderal PPI dengan bantuan dari tenaga ahli dari Pemerintah Belanda dan IPB dan
diharapkan dapat menjadi basis bagi semua pemangku kepentingan terkait dalam
melaksanakan inventarisasi GRK dengan kualitas yang dapat dipertanggungjawabkan.
KATA PENGANTAR
Sistem inventarisasi GRK Indonesia harus dibangun
berdasarkan prinsip transparan, akurat, lengkap, dapat
dibandingkan serta konsisten. Dalam mewujudkan sistem
inventarisasi GRK dengan kualitas yang dapat
dipertanggungjawabkan maka diperlukan suatu pedoman yang
dapat menjadi acuan bagi semua pemangku kepentingan
terkait dalam menjalankan kegiatan tersebut. Salah satu
pedoman yang sangat diperlukan saat ini adalah pedoman
penjaminan dan pengendalian mutu atau QA/QC. Penyusunan
pedoman ini juga merupakan penjabaran lebih detail atas
Peraturan Menteri LHK Nomor
P.73/MENLHK/SETJEN/KUM.1/12/2017 tentang Pedoman
Penyelenggaraan dan Pelaporan Inventarisasi Gas Rumah Kaca Nasional. Pedoman ini
membahas detail mengenai langkah-langkah apa saja yang harus dilakukan oleh pemangku
kepentingan terkait dari tingkat sektor, sub-sektor dan unit pelaksana inventarisasi GRK
nasional dan sub-Nasional dalam melaksanakan proses QA/QC. Pedoman ini juga membahas
detail mengenai tools dan metode yang digunakan dalam proses QA/QC seperti metode
pengisian kesenjangan data emisi, metode untuk analisis ketidakpastian, metode untuk analisis
kategori sumber emisi utama dan metode pemeriksaan perbedaan emisi dari satu tahun
inventarisasi ke tahun berikutnya (IPCC difference emission method).
Kami sangat berharap bahwa pedoman QA/QC ini bermanfaat untuk pemangku kepentingan
terkait yang terlibat langsung dalam sistem inventarisasi GRK Nasional, Provinsi dan
Kabupaten/Kota.
DAFTAR ISI
KATA SAMBUTAN ........................................................................................................ iii
1. PENDAHULUAN ........................................................................................................................ 1
1.1 Latar Belakang ...............................................................................................................................1
1.2 Maksud dan Tujuan .......................................................................................................................1
1.3 Landasan Hukum ...........................................................................................................................2
1.4 Ruang Lingkup ...............................................................................................................................2
2. DEFINISI ..................................................................................................................................... 2
DAFTAR TABEL
DAFTAR GAMBAR
Adapun tujuan pembuatan pedoman pelaksanaan QA/QC adalah sebagai acuan bagi
penyelenggara Inventarisasi GRK untuk:
i. Memeriksa kualitas data GRK di setiap tahapan inventarisasi GRK
ii. Perbaikan kesenjangan data GRK
iii. Penghitungan tingkat ketidakpastian dari hasil estimasi ketidapastian emisi GRK
2. DEFINISI
Merujuk pada IPCC Good Practice Guidance and Guidelines for National Systems dan IPCC
Guidelines 2006 dan Peraturan Menteri LHK Nomor P.73/MenLHK/Setjen/Kum.1/12/2017
tentang Pedoman Penyelenggaraan dan Pelaporan Inventarisasi Gas Rumah Kaca, beberapa
definisi yang perlu dipahami terkait dengan Quality Assurance/Quality Control (QA/QC)
diuraikan di bawah ini.
Audit: merupakan kegiatan yang dilakukan untuk mengevaluasi kinerja dari lembaga
inventarisasi GRK dalam mengikuti standar QC yang sudah direncanakan sebelumnya. Audit
dapat dilakukan selama persiapan inventarisasi GRK ataupun pada tahapan sebelumnya.
Kegiatan audit dapat dilakukan oleh seorang auditor independen dan harus memberikan
penilaian obyektif terhadap proses serta data yang dievaluasi. Kegiatan ini merupakan bagian
dari proses penjaminan mutu (QA).
Secara umum, Pedoman QA/QC di dalam sistem inventarisasi GRK ini dapat membantu
penyelenggara inventarisasi GRK untuk memastikan jaminan dan pengaturan kualitas data
IGRK serta telah disesuaikan pada pendekatan Model 2. Tahapan kegiatan secara umum untuk
QA/QC dijelaskan pada tabel berikut:
Gambar 3-4. Alur proses tahapan QA/QC umum untuk penanggung jawab IGRK Nasional
Gambar 3-2 dan Gambar 3-3 terdapat beberapa metode yang digunakan untuk memastikan
bahwa kualitas inventarisasi GRK dapat dipertanggungjawabkan. Metode-metode tersebut
diurutkan berdasarkan pada tahapan inventarisasi GRK, yaitu:
4.1 Metode pengisian data hilang (data gap filling method)
Pada pengumpulan data GRK seperti data aktifitas dan faktor emisi, diperlukan
kelengkapan data dalam periode waktu tertentu. Namun, masalah akan mun cul ketika data
Sistem QA/QC dibangun berdasarkan aturan UNFCCC terkait dengan persiapan inventarisasi
gas rumah kaca (IGRK). Dokumen QA/QC harus memuat informasi berikut:
1. Lembaga yang bertanggung jawab terhadap koordinasi aktifitas QA/QC
2. Tujuan program QA/QC
3. Perencanaan QA/QC
4. Prosedur QC
5. Prosedur QA
6. Prosedur pelaporan, dokumentasi serta pengarsipan
Instruksi:
Implementasi prosedur QA/QC merupakan bagian penting dari pengembangan sistem
IGRK di Indonesia. Seperti dijelaskan dalam pedoman IPCC Guidelines 2006),
pelaksanaan program QA/QC yang sesuai dapat meningkatkan transparansi, akurasi,
konsistensi, komparabilitas, serta kelengkapan sistem IGRK Indonesia.
Setiap koordinator sektor dapat menggunakan pedoman ini untuk merencanakan dan
melaksanakan Aktifitas QA/QC di lembaganya masing-masing
Petunjuk QA/QC tersedia di box di atas. Detail langkah-langkah aktifitas QA/QC IGRK
dijelaskan pada sub-bagian berikut.
Koordinator QA/QC merupakan orang yang paling bertanggung jawab dalam pelaksanaan
rencana QA/QC. Tugas dan tanggung jawab koordinator QA/QC melingkupi:
Klarifikasi dan komunikasi tanggung jawab QA/QC ke
Koordinator QA/QC akan
semua K/L yang terkait dengan IGRK
berkomunikasi dengan
Mengembangkan dan memastikan checklists QA/QC
beberapa K/L terkait
sesuai dengan peran K/L dalam sistem IGRK
inventarisasi GRK. Tabel 6-1
(sebagai contoh liat Tabel 6-2 dan
merupakan rangkuman key
Tabel 6-3)
personnel yang bertanggung
Memastikan penyelesaian checklist QA/QC dan
jawab terhadap aktifitas
kegiatan terkait yang tepat waktu dan akurat (buatlah
QA/QC
keseluruhan kronologi QA / QC dan waktu eksternal
review akan dilakukan)
Mengelola dan membuat dokumentasi kegiatan QA/QC dari sub-sektor ke koordinator
sektor hingga penanggung jawab IGRK nasional
Koordinasi review eksternal (oleh tenaga ahli) terhadap dokumen IGRK dan memastikan
semua komentar/masukan terkait peningkatan kualitas telah terakomodasi dalam
laporan IGRK.
6.6 Prosedur QA
Langkah 5: Lengkapi
Eggleston, H., Buendia, L., Miwa, K., Ngara, T., & Tanabe, K. (2006). IPCC Guidelines for
National Greenhouse Gas Inventories Prepared by the National Greenhouse Gas
Inventories Programme. In IPCC. IGES.
Hallsdóttir, B., & Guðmundsson, J. (2017). Quality Assurance and Quality Control Plan for the
Icelandic Greenhouse Gas Inventory. Reykjavík.
Intergovernmental Panel on Climate Change, 2006. 2006 IPCC guidelines for national
greenhouse gas inventories. Intergovernmental Panel on Climate Change.
Kementerian ESDM, DJK. (2018). Pedoman Penghitungan dan Pelaporan Inventarisasi Gas
Rumah Kaca Bidang Energi - Sub Bidang Ketenagalistrikan. Jakarta.
Tanabe, K. and Wagner, F., (2003). Good practice guidance for land use, land-use change and
forestry. Institute for Global Environmental Strategies, Hayama, Kanagawa, Japan.
Available at: http://www. ipcc-nggip. iges. or. jp/public/gpglulucf/gpglulucf. htm.
LAMPIRAN 1.
MENGATASI KESENJANGAN DATA
1. PENDAHULUAN
Pada pengumpulan data GRK seperti data aktifitas dan faktor emisi, diperlukan kelengkapan
data dalam periode waktu tertentu. Namun, masalah akan muncul ketika data yang diperlukan
untuk perhitungan emisi tidak lengkap atau bahkan tidak terserdia. Dalam kasus seperti itu
beberapa pendekatan terkait pengisian data kosong/hilang diperlukan sehingga diperoleh data
yang lengkap untuk semua seri waktu. Beberapa pendekatan/teknik untuk mengatasi
kesenjangan data (mengisi data hilang; IPCC Guideline 2006):
i. Tumpang tindih (overlap)
ii. Penggantian data (surrogate data)
iii. Interpolasi
iv. Ekstrapolasi
Dalam kegiatan pengendalian mutu (QC), personel yang bertanggung jawab harus memastikan
bahwa metode-metode pendekatan pengisian kesenjangan data telah digunakan secara benar
dan sesuai dengan pedoman IPCC.
Hubungan antara metode yang digunakan sebelumnya dan metode baru dapat dievaluasi
dengan membandingkan tumpang tindih antara hanya satu set perkiraan tahunan, tetapi lebih
baik dibandingkan beberapa tahun. Ini karena membandingkan hanya satu tahun dapat
menyebabkan bias dan tidak mungkin mengevaluasi tren.
Gambar L.1 2-1. menunjukkan contoh hipotetis tumpang tindih yang konsisten antara dua
metode untuk tahun di mana keduanya dapat diterapkan. Pada Gambar L.1 2-2 tidak ada
tumpang tindih yang konsisten antara metode sehingga tidak cocok untuk menggunakan teknik
tumpang tindih dalam kasus seperti itu.
Hubungan lain antara perkiraan lama dan baru juga dapat diamati melalui penilaian tumpang
tindih. Misalnya, perbedaan konstan dapat diamati. Dalam hal ini, emisi atau penghilangan yang
terkait dengan metode baru diperkirakan dengan menyesuaikan estimasi sebelumnya dengan
jumlah konstan yang sama dengan perbedaan rata-rata pada tahun-tahun tumpang tindih.
Gambar L.1 2-2. Tumpang tindih yang tidak konsisten antar dua metode
2.3 Interpolasi
Dalam beberapa kasus dimungkinkan untuk menerapkan metode secara intermiten di seluruh
rangkaian waktu. Sebagai contoh, statistik rinci yang diperlukan hanya dapat dikumpulkan
setiap beberapa tahun, atau mungkin tidak praktis untuk melakukan survei rinci setiap tahun.
Dalam hal ini, perkiraan untuk tahun-tahun menengah dalam rangkaian waktu dapat
dikembangkan dengan melakukan interpolasi antara perkiraan terperinci. Jika informasi tentang
tren umum atau parameter yang mendasari tersedia, maka metode pengganti lebih disukai.
Persamaan untuk mengisi data kosong dengan metode Interpolasi dapat dilihat pada
Persamaan L1. 2-3 di bawah ini.
𝑇𝑡 − 𝑇𝑠𝑡𝑎𝑟𝑡
𝑌𝑡 = 𝑌𝑠𝑡𝑎𝑟𝑡 + ( ) ∗ (𝑌𝑒𝑛𝑑 − 𝑌𝑠𝑡𝑎𝑟𝑡 )
𝑇𝑒𝑛𝑑 − 𝑇𝑠𝑡𝑎𝑟𝑡
Ystart , Yend dan Yt = emisi/serapan dugaan tahun awal, akhir dan ke-t
Tstart , Tend dan Tt = tahun awal, akhir dan ke-t
Gambar L.1 2-3 menunjukkan contoh interpolasi linier. Dalam contoh ini, data untuk 1994 dan
1995 tidak tersedia. Emisi diperkirakan dengan asumsi pertumbuhan emisi tahunan konstan
dari 1993-1996. Teknik ini tepat dalam contoh ini karena tren keseluruhan tampak stabil, dan
tidak mungkin bahwa emisi aktual untuk 1994 dan 1995 secara substansial berbeda dari nilai
yang diprediksi melalui interpolasi. Untuk kategori yang memiliki kecenderungan emisi yang
mudah menguap (yaitu, mereka berfluktuasi secara signifikan dari tahun ke tahun), interpolasi
tidak akan sesuai dengan praktik yang baik dan data pengganti akan menjadi opsi yang lebih
baik. Praktiknya baik untuk membandingkan perkiraan interpolasi dengan data pengganti
sebagai pemeriksaan QA/QC.
2.4 Ekstrapolasi
Ketika perkiraan rinci belum disiapkan untuk tahun dasar atau tahun terbaru dalam inventaris,
mungkin perlu untuk memperkirakan dari perkiraan terperinci terdekat. Ekstrapolasi tren secara
konseptual mirip dengan interpolasi, tetapi sedikit yang diketahui tentang tren aktual.
Ekstrapolasi dapat dilakukan baik ke depan (untuk memperkirakan emisi atau kepunahan yang
lebih baru) atau mundur (untuk memperkirakan tahun dasar). Ekstrapolasi tren hanya
mengasumsikan bahwa tren yang diamati dalam emisi / penyerapan selama periode ketika
perkiraan rinci tersedia tetap konstan selama periode ekstrapolasi. Dengan asumsi ini, jelas
bahwa ekstrapolasi tren tidak boleh digunakan jika perubahan tren tidak konstan dari waktu ke
waktu. Dalam situasi ini, akan lebih tepat untuk mempertimbangkan menggunakan ekstrapolasi
berdasarkan data pengganti. Ekstrapolasi juga tidak boleh digunakan dalam jangka waktu lama
tanpa pemeriksaan rinci pada interval untuk mengkonfirmasi validitas tren yang berlanjut.
Dalam kasus data periodik, bagaimanapun, ekstrapolasi akan menjadi awal dan titik data akan
dihitung ulang pada tahap selanjutnya. Untuk mengisi data kosong dengan metode Ekstrapolasi
dapat digunakan Persamaan L1. 2-4 di bawah ini.
Gambar L.1 2-4 dalam bagian ini menunjukkan contoh di mana data aktivitas hanya tersedia
secara berkala untuk suatu periode tertentu, namun untuk tidak tersedia data untuk beberapa
tahun terakhir. Data untuk beberapa tahun terakhir dapat diekstrapolasi berdasarkan tren yang
konsisten, atau atas dasar data yang sesuai. Perlu dicatat, bagaimanapun, bahwa
ketidakpastian perkiraan ekstrapolasi meningkat sebanding dengan lamanya waktu di mana
ekstrapolasi dibuat. Setelah set data periodik terbaru tersedia, perlu kalkulasi ulang bagian dari
rangkaian waktu yang telah diperkirakan menggunakan ekstrapolasi tren.
Tidak seperti data yang tersedia secara berkala, ketika data tidak tersedia untuk tahun-tahun
pertama dalam rangkaian waktu (misalnya, tahun dasar dan data tahun dasar pra pada
misalnya pembuangan limbah dan penggunaan lahan) tidak ada kemungkinan mengisi
kesenjangan dengan survei di masa depan. Ekstrapolasi tren kembali dalam waktu mungkin
tetapi harus dilakukan dalam kombinasi dengan teknik splicing lainnya seperti data pengganti
dan tumpang tindih. Beberapa negara yang telah mengalami transisi administratif dan ekonomi
yang signifikan sejak tahun 1990 tidak memiliki data aktivitas yang konsisten untuk seluruh
rangkaian waktu, terutama jika kumpulan data nasional mencakup wilayah geografis yang
berbeda di tahun-tahun sebelumnya. Untuk mengekstrapolasi mundur dalam kasus ini, perlu
untuk menganalisis hubungan antara set data aktivitas yang berbeda untuk periode yang
berbeda, mungkin menggunakan beberapa set data pengganti.
LAMPIRAN 2.
ANALISIS KETIDAKPASTIAN
1. PENDAHULUAN
2. ANALISIS KETIDAKPASTIAN
Analisis ketidakpastian dalam Inventarisasi Gas Rumah Kaca Nasional merupakan suatu
proses yang terdiri dari beberapa langkah. Identifikasi sumber penyebab ketidakpastian
merupakan langkah awal yang perlu dilakukan. Setelah mengetahui sumber ketidakpastian,
langkah selanjutnya dalam melakukan analisis ketidakpastian adalah dengan mencari tingkat
ketidakpastian untuk masing-masing Data Aktifitas (DA), Faktor Emisi (FE) maupun Parameter
Lainnya (PL) yang ada pada setiap kategori emisi. Tingkat ketidakpastian dari masing-masing
komponen tersebut selanjutnya digunakan untuk menghitung ketidakpastian gabungan
(combined uncertainties) dalam satu tahun data inventarisasi Gas Rumah Kaca (GRK) Nasional
beserta kecenderungan (trend) ketidakpastian dari data dua tahun inventarisasi GRK Nasional.
Pada pedoman ini, perhitungan ketidakpastian gabungan dilakukan dengan menggunakan dua
pendekatan, yaitu penggandaan kesalahan (propagation error) dan simulasi Monte Carlo. Untuk
contoh penggunaan kedua pendekatan tersebut pada sektor Land Use, Land Use Change and
Forestry (LULUCF) dapat dilihat pada Bab 3: Contoh Analisis Ketidakpastian.
Analisis Ketidakpastian 34
perbaikan perlu diprioritaskan pada sumber tersebut untuk mengurangi ketidakpastian dalam
inventarisai GRK di masa mendatang.
1
∗ 𝑙𝑒𝑏𝑎𝑟 𝑠𝑒𝑙𝑎𝑛𝑔 𝑘𝑒𝑝𝑒𝑟𝑐𝑎𝑦𝑎𝑎𝑛
% 𝑢𝑛𝑐𝑒𝑟𝑡𝑎𝑖𝑛𝑡𝑦 = 2 ∗ 100
𝜇
1
∗ 4𝜎 2𝜎
% 𝑢𝑛𝑐𝑒𝑟𝑡𝑎𝑖𝑛𝑡𝑦 = 2 ∗ 100 = ∗ 100
𝜇 𝜇
di mana, σ merupakan standar deviasi sedangkan μ adalah nilai rata-rata pengukuran
∑𝑛 (𝑥𝑖 − 𝜇)2
𝜎 = √ 𝑖=1
𝑛−1
Ilustrasi tingkat ketidakpastian dari suatu set data yang memiliki sebaran normal dapat dilihat
pada Gambar L.2 2-1. di berikut ini.
Gambar L.2 2-1. Ilustrasi tingkat ketidakpastian dari suatu set data (α = 95%)
Contoh 1
Misalkan dari pengukuran berulang sebanyak 1000 kali untuk menetapkan besar Faktor Emisi
(FE) dari suatu sumber emisi diperoleh nilai FE yang nilainya berkisar dari 0.5 sampai 1.5
dengan nilai rata-rata 1.0. Untuk menetapkan tingkat ketidakpastian, digunakan selang
kepercayaan 95%, dengan nilai-nilai FE yang tersebar antara nilai yang berada pada urutan ke
25 terkecil (persentil 2.5%) dan urutan 975 terbesar (persentil 97.5%). Misalkan nilai FE pada
nomor urut ke-25 (terkecil) ialah 0.7 sedangkan pada nomor urut ke-975 (terbesar) ialah 1.3.
Lebar selang kepercayaan pada pengukuran tersebut diketahui sebesar 0.6. Berdasarkan nilai-
nilai tersebut, tingkat ketidakpastian dari FE adalah:
1
∗ (1.3 − 0.7)
% 𝑢𝑛𝑐𝑒𝑟𝑡𝑎𝑖𝑛𝑡𝑦 = 2 ∗ 100 = 30%
1
Analisis Ketidakpastian 35
Contoh 2
Berdasarkan hasil pengukuran sebanyak sembilan kali pada suatu Data Aktifitas (DA)
didapatkan nilai berikut: 18, 15, 20, 18, 25, 22, 21, 18 dan 20. Nilai rata-rata dari pengukuran
tersebut adalah 19.67 dengan standar deviasi sebesar 2.71. Dengan menggunakan selang
kepercayaan 95%, tingkat ketidakpastian dari DA tersebut adalah:
2 ∗ 2.71
% 𝑢𝑛𝑐𝑒𝑟𝑡𝑎𝑖𝑛𝑡𝑦 = ∗ 100 = 28%
19.67
c. Proses perhitungan
Perhitungan ketidakpastian gabungan pada suatu nilai yang merupakan hasi dari perkalian,
seperti pada suatu sub-kategori emisi yang nilai emisinya didapat dari hasil perkalian DA dan
FE, maka tingkat ketidakpastian gabungan dari kedua komponen tersebut bisa dihitung dengan
menggunakan Persamaan L2. 2-2.
𝑈𝑡𝑜𝑡𝑎𝑙 = √𝑈1 2 + 𝑈2 2 + ⋯ + 𝑈𝑛 2
Contoh 3:
Dalam perhitungan emisi pada aktifitas deforestasi digunakan nilai biomassa hidup sebagai FE,
dimana nilai tersebut didapat dari beberapa parameter input berupa diameter pohon, kerapatan
pohon, konversi biomassa menjadi karbon, rasio root-shoot dan model alometrik. Pada tutupan
lahan berupa hutan lahan kering primer (primary dryland forest), diketahui nilai ketidakpastian
dari perhitungan diameter pohon (4.2%), model alometrik (19,5% dari Chave et al., 2005),
kerapatan pohon (9.8%) konversi biomassa menjadi karbon (5,32% dari IPCC 2006), dan rasio
root-shoot (20% dari IPCC 2006). Ketidakpastian gabungan pada FE untuk tutupan lahan
tersebut adalah:
Analisis Ketidakpastian 37
Tabel L.2 2-1. Ketidapastian gabungan untuk sektor LULUCF
X A B C D E F G
Emission
2000 2014
Activity factor /
IPCC emissions emissions Combined
IPCC category Gas data estimation
Code or or uncertainty
uncertainty parameter
removals removals
uncertainty
Gg CO2 Gg CO2
% % %
equivalent equivalent
3B1a Forest remaining Forest CO2 20,678 -127,701 12 16.1 20.08
3B1b Non-Forest to Forest CO2 -1,260 -3,675 12 16.1 20.08
3B2a Cropland remaining Cropland CO2 -41,587 -33,729 12 16.1 20.08
3B2b Non-Cropland to Cropland CO2 29,609 141,481 12 16.1 20.08
3B3a Grassland remaining CO2 0 0 12 16.1 20.08
Grassland
3B3b Non-Grassland to Grassland CO2 36,335 17,118 12 16.1 20.08
3B4a Wetland remaining Wetland CO2 0 0 12 16.1 20.08
3B4b Non-Wetland to Wetland CO2 0 0 12 16.1 20.08
3B5a Settlement remaining CO2 0 0 12 16.1 20.08
Settlement
3B5b Non-Settlement to settlement CO2 1,863 10,257 12 16.1 20.08
3B6a Otherland remaining Otherland CO2 0 0 12 16.1 20.08
3B6b Non-Otherland to Otherland CO2 29,585 134,546 12 16.1 20.08
3D Peat Decomposition CO2 268,575 341,735 20 50 53.85
3D Peat Fire CO2 161,571 499,389 25 50 55.90
Dengan menggunakan excel spreadsheet yang diadopsi dari IPCC Guidelines 2006 (lihat
Tabel), perhitungan ketidakpastian gabungan dapat dilakukan dengan mengikuti langkah-
langkah di dalam kotak berikut ini:
Contoh 4:
Berdasarkan data inventarisasi GRK Nasional tahun 2000 dan 2014, pada sektor LULUCF
diketahui nilai emisi/serapan, tingkat ketidakpastian untuk DA dan FE serta ketidakpastian
gabungan untuk setiap kategori sebagaimana
𝑈𝑡𝑜𝑡𝑎𝑙 = 33.86 %
𝑈𝑡𝑜𝑡𝑎𝑙 = 34.48 %
d. Kecenderungan ketidakpastian
Dengan menggunakan Pendekatan 1, perhitungan kecenderungan ketidakpastian nilai emisi
dari dua tahun berbeda dapat dibedakan berdasarkan dua tipe sensitivitas:
Sensitivitas Tipe A: presentase perubahan emisi keseluruhan antara tahun dasar dan
tahun terkahir dilakukannya inventarisasi, dihasilkan dari peningkatan emisi sebesar 1%
atau penghapusan dari kategori dan gas yang telah ditentukan pada tahun dasar dan
tahun berjalan.
Sensitivitas Tipe B: presentase perubahan emisi keseluruhan antara tahun dasar dan
tahun terkahir dilakukannya inventarisasi, dihasilkan dari peningkatan emisi sebesar 1%
atau penghapusan dari kategori dan gas yang telah ditentukan hanya pada tahun
berjalan saja.
Sensitivitas Tipe A dan Tipe B hanyalah variabel yang mempermudah prosedur penghitungan.
Hasil analisis tidak dibatasi hanya dengan kenaikan 1% emisi, tetapi tergantung pada
kisarannya ketidakpastian untuk setiap kategori. Ketidakpastian yang berkorelasi
sepenuhnya antara tahun akan dikaitkan dengan sensitivitas Tipe A sedangkan
ketidakpastian yang tidak berkorelasi antara tahun akan dikaitkan dengan sensitivitas
Tipe B.
Dengan menggunakan excel spreadsheet yang diadopsi dari IPCC Guidelines 2006 (Table L2.
2-2), perhitungan kecenderungan ketidakpastian dapat dilakukan dengan mengikuti langkah-
langkah di dalam kotak berikut ini:
Analisis Ketidakpastian 39
Langkah 2: Hitung ketidakpastian dalam tren emisi nasional yang disebabkan oleh
ketidakpastian faktor emisi atau parameter lainnya (kolom K)
Langkah 3: Hitung ketidakpastian dalam tren emisi nasional yang disebabkan oleh
ketidakpastian data aktivitas (kolom L)
Langkah 4: Nilai tren ketidakpastian dihitung berdasarkan perkalian kolom K dan L
Analisis Ketidakpastian
41
Beberapa catatan yang perlu diperhatikan dalam perhitungan kecenderungan ketidakpastian
dijelaskan berikut ini:
Note A:
Jika yang diketahui hanya ketidakpastian gabungan untuk kategori (bukan untuk faktor emisi
dan data aktivitas secara terpisah), maka:
Jika nilai ketidakpastian berkorelasi sepanjang tahun, masukkan nilai ketidakpastian ke
dalam Kolom F, dan masukkan 0 di Kolom E;
Jika nilai ketidakpastian tidak berkorelasi sepanjang tahun, masukkan nilai
ketidakpastian ke dalam Kolom E, dan masukkan 0 di Kolom F
Note B:
0.01 ∗ 𝐷𝑋 + ∑ 𝐷𝑖 − (0.01 ∗ 𝐶𝑋 + ∑ 𝐶𝑖 ) ∑ 𝐷𝑖 − ∑ 𝐶𝑖
| ∗ 100 − ∗ 100|
(0.01 ∗ 𝐶𝑋 + ∑ 𝐶𝑖 ) ∑ 𝐶𝑖
Dimana C dan D merupakan nilai emisi yang ada pada kolom tersebut
Note C:
Pada kasus di mana diasumsikan tidak ada korelasi antara faktor emisi, sensitivitas B harus
digunakan dan hasilnya dikalikan dengan √2
𝐾𝑥 = 𝐽𝑥 ∗ 𝐹𝑥 ∗ √2
Note D:
Pada kasus di mana korelasi antara data aktivitas diasumsikan, sensitivitas A harus digunakan
namun tidak perlu dikalikan dengan √2:
𝐿𝑥 = 𝐼𝑥 ∗ 𝐸𝑥
Langkah 1: Tentukan rincian dari kategori emisi yang akan dihitung nilai ketidakpastiannya.
Diantaranya adalah DA, FE, parameter estimasi lainnya, nilai rata-rata (mean), PDF dan
korelasi.
Langkah 2: Pilih nilai secara acak. Nilai input secara acak akan digunakan dalam perhitungan
emisi. Awal dari iterasi dimulai pada tahap ini. Untuk setiap data masukan (variabel), suatu nilai
dipilih secara acak berdasarkan PDF pada data masukan tersebut.
Analisis Ketidakpastian 43
Langkah 3: Perkirakan emisi. Variabel yang dipilih pada Langkah 2, masing-masing untuk DA
dan EF, digunakan untuk memperkirakan emisi dan serapan tahunan.
Langkah 4: Lakukan iterasi dan pantau hasilnya. Total terhitung dari Langkah 3 disimpan,
dan prosesnya kemudian diulangi dari Langkah 2. Hasil dari pengulangan digunakan untuk
menghitung mean dan PDF. Akhiri proses ketika tidak ada perubahan lagi pada nilai mean dan
PDF. Hasil dari pengulangan yang telah dilakukan digunakan untuk menghitung mean dan
PDF.
Gambar L.2 2-2. Ilustrasi proses perhitungan ketidakpastian dengan Pendekatan 2 (Sumber:
2006 IPCC Guidelines for National Greenhouse Gas Inventories, 2006)
Langkah 1: Tentukan rincian sumber ketidakpastian pada suatu kategori emisi. Tentukan
PDF untuk FE, DA, dan parameter estimasi lainnya. Ini adalah proses yang sama seperti yang
dijelaskan sebelumnya, kecuali bahwa hal ini perlu dilakukan baik untuk tahun dasar dan tahun
berjalan dilakukannya inventarisasi, dan hubungan antara data perlu dipertimbangkan. Untuk
banyak kategori, FE yang sama akan digunakan untuk setiap tahun (yaitu, faktor emisi untuk
kedua tahun adalah 100 persen berkorelasi). Dalam kasus ini, satu PDF yang sama digunakan
untuk setiap tahun di langkah 3. Perlu diperhatikan bahwa perubahan dalam teknologi atau
praktik yang dilakukan akan mengubah faktor emisi dari waktu ke waktu. Dalam hal ini, dua FE
harus digunakan, yaitu FE yang memiliki korelasi yang lebih rendah atau nol. Jika FE
mengandung elemen acak atau bervariasi secara tak terduga dari tahun ke tahun, maka FE
yang terpisah juga harus digunakan (misalnya, kandungan karbon bahan bakar fosil yang dapat
berubah sesuai dengan pasokan pasar bahan bakar dan juga mengandung ketidakpastiannya
sendiri). Umumnya, ketidakpastian dalam DA diasumsikan tidak berkorelasi antara tahun,
sehingga dua distribusi harus dimasukkan, bahkan jika parameternya sama, sehingga dua
pilihan acak yang berbeda dari distribusi ini akan dihasilkan pada langkah 3.
Langkah 2: Pilih nilai secara acak. Suatu nilai acak (variabel) akan dipilih dengan
mempertimbangkan korelasi antara PDF.
Langkah 3: Perkirakan emisi. Variabel acak terpilih digunakan untuk menghitung total emisi.
Langkah 4: Hasil. Total emisi yang telah dihitung dalam Langkah 3 akan disimpan.
Pengulangan dari Langkah 2 diakhiri ketika tidak ada perubahan lagi pada nilai emisi. Semua
hasil diperkirakan pada saat yang bersamaan termasuk emisi/penyerapan sektoral untuk tahun
dasar maupun untuk tahun ke-t. Nilai kecenderungan antara antar duat tahun data dihitung
dengan Persamaan L2. 2-4 berikut:
Analisis Ketidakpastian 45
Secara lengkap, ilustrasi proses perhitungan kecenderungan ketidakpastian pada dua tahun
inventarisasi dengan menggunakan Pendekatan 2 dapat dilihat pada Gambar L.2 2-3.
Gambar L.2 2-3. Proses penentuan tren ketidakpastian dengan Pendekatan 2 (Sumber: 2006
IPCC Guidelines for National Greenhouse Gas Inventories, 2006)
Klasifikasi manual memakan waktu dan padat karya (Margono et al., 2012, Margono et al.,
2014). Ini melibatkan staf dari tingkat kabupaten dan provinsi untuk secara manual menafsirkan
dan mendigitalkan citra satelit. Validasi data untuk memastikan hasil klasifikasi dilakukan
dengan membandingkan peta tutupan lahan dengan data lapangan yang dikumpulkan
sesudahnya. Stratified random sampling adalah pendekatan yang dipilih untuk memverifikasi
peta klasifikasi. Kompilasi beberapa data kunjungan lapangan dalam interval tahun tertentu
dilaksanakan untuk penilaian akurasi. Hasil perbandingan dilakukan pada tabel akurasi (matriks
kontingensi), menghasilkan akurasi keseluruhan 88% untuk semua 23 kelas, dan 98% untuk
kelas agregat hutan dan non-hutan (Kemenhut, 2012, Margono et al., 2012).
Emisi dari dekomposisi gambut diperkirakan menggunakan data aktivitas yang berasal dari peta
lahan gambut, yang telah dipisahkan dari peta tutupan lahan dan diproduksi oleh KLHK.
Pengembangan peta lahan gambut di Indonesia terkait erat dengan proyek pemetaan tanah
untuk program pengembangan pertanian, yang dilakukan oleh Kementerian Pertanian.
Indonesia telah mengembangkan prosedur pemetaan lahan gambut berdasarkan penginderaan
jauh pada skala 1: 50.000 (SNI 7925: 2013). Peta lahan gambut Indonesia telah diperbarui dan
dirilis beberapa kali karena dinamika ketersediaan data. Peta Lahan Gambut versi terbaru pada
2011 dengan skala 1: 250.000 (skala nasional) digunakan untuk estimasi emisi.
Estimasi emisi dari penebangan terbatas pada data penebangan yang dilaporkan oleh
pemerintah. Setiap tahun, konsesi penebangan menyerahkan dokumen rencana kerja tahunan
yang berisi daerah penebangan yang pada tahun-tahun sebelumnya diserahkan ke dinas
kehutanan provinsi dan ke BPHP. Kami menggunakan 41 dokumen konsesi untuk menentukan
kawasan penebangan tahunan di Kalimantan Timur. Log tahunan yang dilaporkan dalam
laporan masih perlu disesuaikan, karena tidak semua hutan yang telah dilaporkan telah dicatat
atau dipengaruhi oleh praktik penebangan. Selain itu, Ellis (2016) juga menemukan bahwa
hanya 69% dari hutan bekas tebangan yang terkena dampak oleh praktik penebangan.
Berdasarkan praktik di atas, ada sejumlah sumber utama ketidakpastian dari DA yang
digunakan untuk memperkirakan emisi dari deforestasi, degradasi, dekomposisi gambut, tanah
bakau, dan penebangan. DA untuk tutupan hutan dan perubahan tutupan hutan yang
digunakan dalam estimasi emisi dari deforestasi, degradasi, dekomposisi gambut dan tanah
Analisis Ketidakpastian 47
bakau memiliki setidaknya tiga sumber ketidakpastian yaitu kualitas citra satelit, prosedur
interpretasi, dan kesalahan sampling yang terkait dengan proses memeriksa hasil interpretasi
dengan ground check. Sedangkan untuk areal penebangan, sumber utama ketidakpastian
terkait pemilihan faktor koreksi untuk memperoleh data aktivitas dari data yang dilaporkan dan
diolah. Deskripsi sumber ketidakpastian disajikan pada Tabel L.2 3-1.
Sumber
No Deskripsi
ketidakpastian
1 Kualitas citra satelit Sistem pemantauan hutan nasional di Indonesia dikelola oleh
Kementerian Lingkungan Hidup dan Kehutanan (KLHK). Sistem
pemantauan ini menyediakan peta tutupan lahan secara berkala dengan
mengolah citra satelit Landsat. Citra satelit Landsat cocok untuk tutupan
lahan dan interpretasi perubahan tutupan lahan dalam hal resolusi
spasial, spektral dan temporal. Namun, ada dua sumber kesalahan
terkait dengan citra Landsat. Masalah pertama terkait dengan citra hilang
dan perlu dimanipulasi menggunakan citra yang berbeda. Kedua,
Indonesia adalah negara tropis yang memiliki banyak awan hampir
sepanjang waktu. Bayangan awan dan cakupan awan akan
mempengaruhi kualitas citra sehingga menghasilkan kesenjangan data.
Batasan ini mempengaruhi proses interpretasi gambar.
2 Kartografi, proses Interpretasi citra satelit untuk menghasilkan peta tutupan lahan dilakukan
interpretasi gambar, oleh penerjemah terlatih yang menggunakan teknik penggambaran
dan pembuatan interpretasi manual atau visual. Prosedur Operasional Standar (SOP)
peta tutupan lahan. dan manual disediakan untuk memandu penafsir melakukan interpretasi
(Pengetahuan dan citra satelit. Interpretasi manual memakan waktu dan padat karya. Ini
kapasitas untuk melibatkan staf dari tingkat kabupaten dan provinsi. Mereka diharapkan
interpretasi satelit) dapat menggunakan pengetahuan lokal mereka. Validasi data dilakukan
melalui perbandingan tipe tutupan lahan dari interpretasi dengan ground
truth. Kebenaran dasar menggunakan stratified random sampling.
Kompilasi beberapa hasil ground truth dalam interval tahun tertentu
digunakan untuk penilaian akurasi yang akan memberikan tingkat akurasi
dari interpretasi kelas penutup lahan.
3 Kesalahan Jumlah poin untuk mewakili kategori tutupan lahan akan menentukan
pengambilan tingkat akurasi penilaian. Kebenaran dasar akan mencerminkan
sampel keakuratan interpretasi dengan kondisi nyata. Ini membantu untuk
menentukan keakuratan hasil interpretasi satelit. Oleh karena itu, jumlah
titik pemeriksaan tanah akan secara signifikan mempengaruhi tingkat
ketidakpastian.
4 Area penebangan Areal tebang pilih yang sebenarnya berasal dari dokumen rencana
selektif yang penebangan tahunan konsesi penebangan alami. Dokumen-dokumen ini
sebenarnya dapat diakses dari instansi kehutanan provinsi Kalimantan Timur, tetapi
datanya dikelola secara konvensional. Saat ini, tidak ada sistem
manajemen basis data yang baik. Data sering hilang karena data
pencatatan yang dilaporkan mungkin terlalu rendah. Selain itu,
penggunaan asumsi pada areal penebangan yang terkena dampak nyata
sebesar 69% mungkin tidak akurat karena faktor ini dihasilkan dari
sejumlah daerah studi terbatas (pengambilan sampel kecil). Dengan
demikian jumlah sampling berkontribusi pada ketidakpastian data ini.
Sebagian besar plot didirikan di daerah-daerah di bawah ketinggian 1.000 m. Pohon individu
dalam PSP 1-ha diukur dalam 16 unit rekaman (RU) berjumlah 25x25 m sub-plot. Semua pohon
dengan diameter minimal 5 cm diukur untuk DBH, dan sub-set diukur untuk tinggi pohon total.
Pohon juga diklasifikasikan berdasarkan nama spesies lokal, karakteristik mahkota, kerusakan,
dan infestasi. Informasi situs, termasuk pengamatan terhadap gangguan dan regenerasi, dan
data non-pohon (bambu, rotan, dll) juga dicatat. Petak diklasifikasikan dalam berbagai jenis /
kondisi yang mencakup sistem lahan, ketinggian dalam kelas 100 m, penggunaan lahan, tipe
hutan, kondisi tegakan dan status perkebunan, dataran, kemiringan lereng, dan aspek. Protokol
yang digunakan dalam sampling lapangan dan desain sistem untuk pengolahan data plot untuk
NFI di Indonesia dijelaskan dalam Revilla (1992).
Sebanyak 4.450 pengukuran PSP dari NFI (1990-2013) di seluruh negeri tersedia untuk
pemrosesan dan analisis data. Semua pohon individu dalam plot diperiksa dan informasi plot
diperiksa untuk setiap plot untuk memastikan informasi yang benar, sebagai bagian dari proses
jaminan kualitas. Validasi data meliputi: (i) memeriksa lokasi petak yang dilapis dengan peta
tutupan lahan Departemen Kehutanan, (ii) memeriksa jumlah unit pencatat (petak-petak) di
setiap petak, (iii) memeriksa data pengukuran melalui penyaringan kelainan DBH dan nama
spesies masing-masing pohon di plot, (iv) memeriksa informasi tentang area basal, kepadatan
tegakan, dll.
Dari 4.450 data pengukuran yang tersedia dari PSP NFI, 80% berlokasi di lahan berhutan
sementara data yang tersisa berada di semak belukar atau lahan lainnya. Dari PSP yang
berlokasi di hutan, proses validasi data mengurangi jumlah data pengukuran yang dapat
digunakan menjadi 2,622 (74,1%) untuk analisis. PSP ini berlokasi di hutan lahan kering dan
hutan rawa. Data penelitian hutan tambahan terutama untuk hutan bakau di Indonesia
dimasukkan karena tidak ada catatan PSP yang ditemukan di tipe hutan ini.
Biomassa di atas tanah (above ground biomass; AGB) masing-masing pohon di plot
diperkirakan menggunakan model alometrik yang dikembangkan untuk hutan tropis pan (Chave
et al., 2005), yang menggunakan diameter setinggi dada (DBH) dan kerapatan kayu (WD) dari
spesies sebagai parameter kunci. Beberapa model alometrik lainnya juga diuji, termasuk
beberapa model alometrik lokal yang dikompilasi dalam Krisnawati et al. (2012). Namun,
ketersediaan model alometrik lokal yang spesifik untuk enam jenis hutan tidak semuanya
terwakili di tujuh pulau utama di Indonesia, sehingga model alometrik umum Chave et al. (2005)
dipilih, sebagai gantinya. Model ini telah ditemukan memiliki kinerja yang sama baiknya dengan
model lokal di hutan tropis Indonesia (Rutishauser et al., 2013; Manuri et al., 2014).Sumber
Analisis Ketidakpastian 49
ketidakpastian faktor emisi untuk penebangan dapat dikaitkan dengan keterampilan
pengetahuan staf lapangan dalam mengenali tingkat kematian dari tiga yang menderita
penebangan dan praktek penyaradan dalam mengukur luas jalan angkut dan halaman kayu
dan juga variasi kekosongan pohon.Berdasarkan praktik yang digunakan dalam menurunkan
data cadangan karbon, sumber ketidakpastian untuk EF pada kerapatan karbon jenis hutan
akan berasal dari pengukuran pohon, kesalahan model alometrik, kesalahan pengambilan
sampel, dan faktor konversi untuk biomassa menjadi karbon, dan termasuk keterampilan dan
pengetahuan staf lapangan. Analisis pada sumber ketidakpastian untuk faktor emisi disajikan
pada Tabel L.2 3-2.
Mirip dengan data aktivitas, upaya untuk meminimalkan ketidakpastian melalui penguatan
penggunaan konsistensi SOP termasuk pelatihan dan peningkatan jumlah sampling. Dalam
kasus EF untuk penebangan, karena sistem inventarisasi hutan nasional belum memasukkan
jenis EF ini, upaya untuk mengurangi ketidakpastian akan dilakukan melalui kegiatan-kegiatan
berikut:
Tabel L.2 3-3.Ketidakpastian dari Data Aktivitas dan Faktor Emisi pada aktivitas REDD
Analisis Ketidakpastian 51
keseluruhan. (Kemenhut, 2012, Margono et al.
2012).
Untuk mengidentifikasi sumber utama ketidakpastian dalam estimasi fluks total, kami
memperoleh ketidakpastian parsial dari FE yang terkait dengan biomassa, FE yang terkait
dengan karbon tanah dan DA berdasarkan peta penggunaan lahan. Ketidakpastian parsial ini
diturunkan sebagai rentang ketidakpastian dari iterasi dalam simulasi Monte Carlo yang hanya
menyertakan sumber utama, dibagi oleh rentang ketidakpastian atas semua iterasi.
Tabel L.2 3-5), rasio antara biomassa di atas tanah dan bawah tanah, perkiraan kayu mati dan
serasah (
Tabel L.2 3-5) dan parameter untuk perhitungan emisi dari kebakaran hutan (
Analisis Ketidakpastian 53
Tabel L.2 3-6).
Tabel L.2 3-5.Kisaran ketidakpastian untuk biomassa hutan dan kayu mati
Standar
Parameter Tahun Satuan Nilai
deviasi
Growing stock 1990 m3/ha 157.98 1.93
Growing stock 2003 m3/ha 194.61 1.91
Growing stock 2013 m3/ha 216.52 2.26
BCEF 1990 kg/m3 714 5.71
BCEF 2003 kg/m3 736 6.06
BCEF 2013 kg/m3 764 5.98
R 1990 - 0.18 0.000708
R 2003 - 0.18 0.000625
R 2013 - 0.18 0.000717
Standing dead wood mass 1990 837.05 35.73
Standing dead wood mass 2003 1333.32 53.12
Standing dead wood mass 2013 1883.49 75.87
Lying dead wood mass 2003 1527.01 74.35
Lying dead wood mass 2013 1927.01 84.51
Tabel L.2 3-7. Kisaran ketidakpastian untuk stok karbon tanah dan rasio C-N untuk tanah
mineral
Tipe penggunaan Cstock SEM SEM (CN
Tipe tanah CN ratio (-)
lahan (tC/ha) (Cstock) ratio)
Padang rumput Brikgrond 78.3 5.47 15 2.50
Padang rumput Eerdgrond 87.84 6.47 15 2.50
Padang rumput Kalkhoudende 58.55 7.65 17.3 0.21
zandgrond
Padang rumput Kalkloze zandgrond 86.56 2.76 23.4 1.34
Padang rumput Leemgrond 88.91 5.32 15 2.50
Padang rumput Onbepaald 105.64 1.65 15 2.50
Padang rumput Oude kleigrond 81.12 6.36 15 2.50
Padang rumput Podzol grond 116.07 4.01 25.6 0.31
Padang rumput Rivierklei grond 111.32 3.36 15 2.50
Padang rumput Zeekleigrond 113.66 2.77 15 2.50
Lahan pertanian Brikgrond 76.37 2.8 15 2.50
Lahan pertanian Eerdgrond 71.27 7.48 15 2.50
Lahan pertanian Kalkhoudende 54.11 5.41 17.3 0.21
zandgrond
Lahan pertanian Kalkloze zandgrond 76.46 4.34 23.4 1.34
Lahan pertanian Leemgrond 81.54 6.05 15 2.50
Lahan pertanian Onbepaald 82.47 1.98 15 2.50
Lahan pertanian Oude kleigrond 83.86 19.96 15 2.50
Lahan pertanian Podzol grond 107.56 6.94 25.6 0.31
Analisis Ketidakpastian 55
Lahan pertanian Rivierklei grond 84.57 6.12 15 2.50
Lahan pertanian Zeekleigrond 80.6 2.18 15 2.50
Kyoto Forest Brikgrond 82.47 12.77 15 2.50
Kyoto Forest Eerdgrond 99.53 17.39 15 2.50
Kyoto Forest Kalkhoudende 32.16 5.78 17.3 0.21
zandgrond
Kyoto Forest Kalkloze zandgrond 57.39 5.18 23.4 1.34
Kyoto Forest Leemgrond 112.18 15.41 15 2.50
Kyoto Forest Onbepaald 87.68 3.73 15 2.50
Kyoto Forest Oude kleigrond 61.39 34.37 15 2.50
Kyoto Forest Podzol grond 92.23 4.68 25.6 0.31
Kyoto Forest Rivierklei grond 139.95 7.45 15 2.50
Kyoto Forest Zeekleigrond 139.49 10.54 15 2.50
Lahan basah Brikgrond 82.47 12.77 15 2.50
Lahan basah Eerdgrond 99.53 17.39 15 2.50
Lahan basah Kalkhoudende 32.16 5.78 17.3 0.21
zandgrond
Lahan basah Kalkloze zandgrond 57.39 5.18 23.4 1.34
Lahan basah Leemgrond 112.18 15.41 15 2.50
Lahan basah Onbepaald 87.68 3.73 15 2.50
Lahan basah Oude kleigrond 61.39 34.37 15 2.50
Lahan basah Podzol grond 92.23 4.68 25.6 0.31
Lahan basah Rivierklei grond 139.95 7.45 15 2.50
Lahan basah Zeekleigrond 139.49 10.54 15 2.50
Permukiman Brikgrond 74.22 11.49 15 2.50
Permukiman Eerdgrond 89.57 15.65 15 2.50
Permukiman Kalkhoudende 28.94 5.2 17.3 0.21
zandgrond
Permukiman Kalkloze zandgrond 51.65 4.66 23.4 1.34
Permukiman Leemgrond 100.96 13.87 15 2.50
Permukiman Onbepaald 78.91 3.36 15 2.50
Permukiman Oude kleigrond 55.25 30.94 15 2.50
Permukiman Podzol grond 83.01 4.21 25.6 0.31
Permukiman Rivierklei grond 125.96 6.7 15 2.50
Permukiman Zeekleigrond 125.54 9.48 15 2.50
Padang rumput Brikgrond 78.3 5.47 15 2.50
Padang rumput Eerdgrond 87.84 6.47 15 2.50
Padang rumput Kalkhoudende 58.55 7.65 17.3 0.21
zandgrond
Padang rumput Kalkloze zandgrond 86.56 2.76 23.4 1.34
Padang rumput Leemgrond 88.91 5.32 15 2.50
Padang rumput Onbepaald 105.64 1.65 15 2.50
Padang rumput Oude kleigrond 81.12 6.36 15 2.50
Padang rumput Podzol grond 116.07 4.01 25.6 0.31
Padang rumput Rivierklei grond 111.32 3.36 15 2.50
Padang rumput Zeekleigrond 113.66 2.77 15 2.50
Lahan basah Brikgrond 82.47 12.77 15 2.50
Tabel L.2 3-8.Kisaran ketidak pastian untuk fluks karbon tanah dari tanah organik
Permuki
Padang
rumput
PDF
Forest
Lahan
Lahan
basah
Kyoto
Heath
Other
Reed
Land
Classification
man
Analisis Ketidakpastian 57
3.2.2 Simulasi Monte Carlo
Secara total 683 iterasi dilakukan untuk analisis Monte Carlo. Dari iterasi ini, 1 adalah iterasi
nominal tanpa permutasi dalam parameter input. Dari iterasi ini, 104 hanya mengatasi
ketidakpastian tanah, 103 hanya mengatasi ketidakpastian biomassa dan 104 mengatasi
ketidakpastian tanah dan biomassa, membuat total 312 iterasi tanpa ketidakpastian dari peta
penggunaan lahan. Tambahan iterasi sebanyak 371 dilakukan dengan menyertakan
ketidakpastian dari peta penggunaan lahan (dengan atau tanpa ketidakpastian biomassa dan
ketidakpastian tanah). Jumlah iterasi yang digunakan untuk analisis didasarkan pada batasan
waktu. Tidak ada uji yang dilakukan untuk melihat konvergensi hasil.
a. Total ketidakpastian
Penghitungan emisi GRK dari LULUCF menghasilkan banyak output rinci. Pada bagian ini
hanya disajikan rentang ketidakpastian untuk tahun 2014 (Tabel L.2 3-10).
Secara umum kita melihat bahwa ketidakpastian untuk berbagai kategori berbeda. Untuk
beberapa kategori, rentang ketidakpastian yang sangat asimetris terjadi. Secara umum
ketidakpastian dalam penyimpan lahan hutan lebih kecil dari ketidakpastian emisi dari
penggunaan lahan lainnya. Lebih jauh lagi, total emisi cenderung berada di bawah perkiraan.
Perlu disebutkan bahwa ketidakpastian relatif adalah fungsi dari ukuran total emisi atau
penyerapan yang dilaporkan. Oleh karena itu, ketidakpastian relatif besar pada nilai kecil akan
Analisis Ketidakpastian 59
Tabel L.2 3-11 memberikan nilai ketidakpastian untuk tahun 2014. Ketidakpastian ini tidak stabil
dari waktu ke waktu, karena sumber data yang berbeda memiliki resolusi temporal yang
berbeda. Berdasarkan nilai-nilai tersebut terlihat bahwa ketidakpastian bernilai besar pada
lahan yang dikonversi ke padang rumput. Sekali lagi penyebab utama untuk ketidakpastian
tersebut adalah bahwa nilai absolutnya kecil, dan oleh karena itu ketidakpastian serupa dalam
nilai absolut menghasilkan ketidakpastian relatif yang ekstrem sekitar tahun 2010.
Analisis Ketidakpastian 61
62 Analisis Kategori Kunci
c. Ketidakpastian parsial
Untuk memperkirakan kontribusi relatif dari sumber ketidakpastian yang berbeda terhadap
perkiraan ketidakpastian total, perhitungan dilakukan perhitungan ketidakpastian parsial.
Ketidakpastian parsial dibahas di sini untuk 2014 (
Analisis Ketidakpastian 63
Tabel L.2 3-12). Ketidakpastian parsial dihitung dalam dua cara berbeda. Untuk ketidakpastian
parsial biomassa dan tanah, rentang ketidakpastian ditentukan oleh simulasi monte carlo
difokuskan pada ketidakpastian ini. Nilai minimum dan maksimum dari interval 95% dari hasil
kemudian dinyatakan relatif terhadap nilai minimum dan maksimum interval 95% dari simulasi
monte carlo dengan semua ketidakpastian disertakan. Dengan demikian, minimum dan
maksimum ini dapat bernilai lebih dari 100% jika ketidakpastian parsial lebih tinggi daripada
ketidakpastian total (karena efek dari ketidakpastian yang berbeda bersifat negatif satu sama
lain). Ketidakpastian parsial yang disebabkan oleh masuknya ketidakpastian peta dihitung
dengan mengekstraksi ketidakpastian dari simulasi monte carlo difokuskan pada ketidakpastian
biomassa dan tanah dari ketidakpastian total. Ketidakpastian yang tersisa ditafsirkan sebagai
ketidakpastian dalam peta.
Dalam menganalisis ketidakpastian ini kita melihat bahwa ketidakpastian parsial dapat serupa
dalam ukuran. Namun kontribusi relatif dari ketidakpastian parsial dapat sangat bias.
Ketidakpastian dalam biomassa terutama bertanggung jawab atas ketidakpastian di lahan
hutan, dan lahan dikonversi ke daratan lain. Meskipun memiliki nilai lebih pada jangkauan
maksimum daripada pada kisaran minimum. Hal ini disebabkan oleh biomassa yang relatif
besar di lahan berhutan, dan pengaruh biomassa terhadap emisi lahan yang dikonversi.
Ketidakpastian dalam parameter tanah memiliki dampak besar pada total emisi. Semua rentang
maksimum dapat dipertanggungjawabkan oleh ketidakpastian ini. Meskipun ini hanya
merupakan kontribusi kecil terhadap ketidakpastian terkait dengan lahan hutan, ini adalah
sumber utama ketidakpastian untuk kategori Lahan pertanian dan Padang rumput. Karena itu
juga memiliki kontribusi besar terhadap lahan yang dikonversi ke penggunaan lahan lainnya.
Untuk Lahan dan Pemukiman Lainnya, kontribusi ini terutama untuk kisaran minimum, bukan
kisaran maksimum.
Ketidakpastian yang tidak dapat dijelaskan oleh ketidakpastian dalam biomassa dan parameter
tanah dikaitkan dengan ketidakpastian dalam peta penggunaan lahan. Karena confusion matrix
peta penggunaan lahan memiliki bias, efek ketidakpastian ini terhadap ketidakpastian total juga
memiliki bias. Khususnya lahan lain dan kategori pemukiman mengalami ketidakpastian yang
condong dengan kisaran nilai minimum yang terutama ditentukan oleh ketidakpastian dalam
peta penggunaan lahan.
Analisis Ketidakpastian 65
LAMPIRAN 3. ANALISIS KATEGORI KUNCI
LAMPIRAN 3.
ANALISIS KATEGORI KUNCI
1. PENDAHULUAN
Key Category Analysis atau KCA merupakan analisis yang digunakan untuk mengidentifikasi
sumber/rosot yang menjadi prioritas (kategori kunci) dalam sistem inventarisasi GRK nasional,
karena besar emisi/serapan memiliki pengaruh besar terhadap total inventarisasi GRK, baik dari
nilai absolut, tren dan tingkat ketidakpastiannya. Kategori kunci merujuk pada sumber (sources)
maupun rosot (sink).
Pelaksanaan KCA sendiri telah diatur dalam IPCC Good Practice (Chapter 7) dan IPCC 2006
GL (Volume.I, Chapter 4) dan memiliki tujuan untuk:
Mengindentifikasi sumber/rosot yang perlu diprioritaskan apabila sumberdaya terbatas
untuk pelaksanaan inventarisasi GRK. Ini adalah upaya yang baik untuk perbaikan
inventarisasi yang difokuskan pada sumber/rosot yang sudah diidentifikasi sebagai
kategori kunci;
Mengindentifikasi sumber/rosot yang perlu menggunakan tier yang lebih tinggi;
Mengidentifikasi sumber/rosot mana yang perlu mendapatkan perhatian khusus untuk
dilakukan penjaminan dan pengendalian mutu (QA/QC).
Kategori kunci memiliki peranan yang sangat penting dalam sistem inventarisasi GRK nasional.
Terdapat tiga aspek penting yang menyebabkan analisis kategori kunci perlu dilakukan.
Pertama adalah identifikasi kategori kunci dapat meningkatkan efisiensi dari sisi sumber daya
(resources) dalam pelaksanaan inventarisasi GRK nasional. Penyelenggara invetarisasi GRK
nasional dapat fokus untuk mengembangkan data dan metode untuk kategori-kategori kunci.
Kedua adalah hasil analisis kategori kunci dapat mendorong penyelenggara inventarisasi GRK
nasional untuk fokus menggunakan metoda tier yang lebih tinggi pada kategori-kategorikunci
tertentu. Ketiga, hasil dari analisis kategori kunci dapat mendorong penyelenggara inventarisasi
GRK nasional untuk melaksanakan penjaminan dan pengendalian mutu (QA/QC) pada
kategori-kategori kunci tertentu terlebih dahulu. Hal ini dapat meningkatkan efektifitas dalam
kegiatan inventarisasi GRK.
Alur pendekatan umum dalam pelaksanaan analisis kategori kunci dijelaskan secara detail
pada Gambar L.3 2-1. Ada 2 pendekatan untuk melakukan analisis kategori kunci, yang
keduanya mengidentifikasi kategori kunci dalam hal kontribusi mereka terhadap tingkat absolut
emisi nasional dan serapan serta kecenderungan emisi dan serapan. Pendekatan I
mengindentifikasi kategori kunci menggunakan ambang emisi kumulatif yang ditentukan
sebelumnya. Kategori-kategori kunci adalah emisi/serapan dengan nilai kumulatif mencapai
95% terhadap tingkat total emisi. Pendekatan II menggunakan kompiler inventarisasi, jika
ketidakpastian kategori atau ketidakpastian parameter tersedia. Pada pendekatan II, kategori
kunci diurutkan berdasarkan kontribusinya terhadap ketidakpastian.
Proses ini dimulai dengan memeriksa kelengkapan data/informasi untuk melaksanakan analisis
kategori kunci. Jika hasil analisis ketidakpastian country specific untuk tiap kategori tersedia,
maka penyelenggara inventarisasi GRK dapat menggunakan analisis kuantitatif yang terdiri dari
metode penilaian tingkat (level assessment) dan penilaian tren (trend assessment) untuk
pendekatan I dan pendekatan II. Penjelasan mendalam mengenai dua jenis pendekatan
tersebut akan dijelaskan pada subbab berikutnya. Selain itu, analisis kualitatif juga dapat
digunakan pada tahapan ini. Sebaliknya, jika data inventarisasi GRK yang tersedia hanya data
lebih dari satu tahun, maka penentuan kategori kunci terbatas hanya menggunakan metode
A B C D E F G
Kode Kategori Gas Rumah Estimasi Nilai Penilaian Total
kategori IPCC Kaca tahun estimasi Tingkat kumulatif
IPCC terakhir absolut 𝐿𝑥,𝑡 (kolom F)
𝐸𝑥,𝑡 dalam tahun
CO2eq terakhir
|𝐸𝑥,𝑡 |
Total ∑|𝐸𝑦,𝑡 | 1
𝑦
Langkah 1: Masukkan semua kategori inventarisasi GRK sesuai dengan Tabel L.3 3-1
A B C D E F G
Kode Kategori IPCC Gas Estimasi Nilai Penilaian Total
kategori Rumah tahun estimasi Tingkat kumulatif
IPCC Kaca terakhir absolut (kolom F)
CO2eq tahun
terakhir
1A Kategori Emisi CO2 X X
2B Kategori CO2
-Y Y
Removal
3C Kategori Emisi CH4 Z Z
4A Kategori CO2
-A A
Removal
5B Kategori Emisi N2O B B
… Kategori lainnya … … ….
Total 1
Langkah 3: Urutkan estimasi kategori emisi berdasarkan nilai penilaian tingkat (dari nilai
terbesar hingga terkecil)
A B C D E F G
Kode Kategori IPCC Gas Estimasi Nilai Penilaian Total
kategori Rumah tahun estimasi Tingkat kumulatif
IPCC Kaca terakhir absolut (kolom F)
CO2eq tahun
terakhir
2B Kategori Emisi CO2 -Y Y 40%
5B Kategori Emisi N2O B B 25%
1A Kategori Emisi CO2 X X 15%
3C Kategori Emisi CH4 Z Z 5%
4A Kategori CO2 -A A 2%
Removal
… Kategori lainnya … … ….
Total
Metode penilaian tingkat/level assessment harus dilakukan pada tahun dasar dan tahun terakhir
inventarisasi. Jika nilai estimasi tahun dasar berubah atau dihitung ulang, analisis kategori kunci
harus diperbaharui. Kategori-kategori yang masuk di ambang batas 95% di tahun dasar dan
tahun terakhir inventarisasi dapat diklasifikasikan sebagai kategori kunci. Namun, interpretasi
dari hasil KCA seharusnya tetap menggunakan informasi dari tahun-tahun perhitungan lainnya.
Hal ini dikarenakan terdapat beberapa kategori memiliki nilai emisi yang fluktuatif setiap
tahunnya. Kemungkinan kategori tersebut telah teridentifikasi sebagai kategori kunci pada
tahun tertentu namun tidak untuk di tahun inventarisasi lainnya. Jika ada kategori yang memiliki
nilai kumulatif kontribusi berada diantara 95-97%, penyelenggara inventarisasi GRK disarankan
untuk membandingkan informasi tersebut dengan hasil perhitungan di tahun sebelumnya
ataupun menggunakan metode KCA lain seperti metode penilaian tren/trend assessment.
Persamaan L.3 3-3. Modifikasi rumus analisis tren jika emisi pada tahun baseline sama dengan
nol
Metode penilaian tren digunakan untuk mengidentifikasi tren dari suatu kategori terhadap tren
total emisi serapan GRK. Kategori-kategori yang memiliki tren berbeda dengan tren total harus
diidentifikasi sebagai kategori kunci, dimana perbedaan ini berdasarkan pada kategori tingkat
emisi/serapan pada tahun dasar. Untuk memudahkan proses analisis tren, IPCC membuat
format spreadsheet untuk perhitungan pada Tabel L.3 3-2 berikut:
Tabel L.3 3-2. Spreadsheet untuk analisis pendekatan I – Metode analisis tren
A B C D E F G H
Kode Kategori Gas Estimasi Estimasi Analisis % Total
kategori IPCC Rumah tahun dasar tahun akhir tren Kontribusi Kumulatif
IPCC Kaca 𝐸𝑥,0 (CO2eq) 𝐸𝑥,𝑡 (CO2eq) 𝑇𝑥,𝑡 terhadap
tren
Total ∑|𝑇𝑦,𝑡 |
𝑦
A B C D E F G H
Kode Kategori Gas Estimasi Estimasi Analisis tren % Total
kategori IPCC Rumah tahun dasar tahun akhir 𝑇𝑥,𝑡 Kontribusi Kumulatif
IPCC Kaca 𝐸𝑥,0 (CO2eq) 𝐸𝑥,𝑡 (CO2eq) terhadap (Kolom G)
tren
1A Kategori CO2 80 90 0.088808974 27%
Emisi
2B Kategori CO2 50 99 0.07364847 22%
Emisi
3C Kategori CH4 110 190 0.078038718 23%
Emisi
4A Kategori CO2 71 80 0.078440321 23%
Emisi
5B Kategori N2O 20 35 0.015562107 5%
Emisi
Total 331 494
Langkah terakhir untuk menentukan kategori kunci adalah dengan mengurutkan persentase
kontribusi terhadap tren (kolom G) dari nilai terbesar hingga terkecil seperti yang ditunjukan
pada Tabel L.3 3-4. Berdasarkan contoh tersebut, terdapat 4 kategori kunci berada pada
kisaran total kumulatif 95% dari kontribusi tren kategori terhadap nilai totalnya.
Tabel L.3 3-4. Contoh penggunaan analisis tren (Pendekatan I) untuk penentuan kategori kunci
A B C D E F G H
Kode Kategori Gas Estimasi Estimasi Analisis tren % Total
kategori IPCC Rumah tahun dasar tahun akhir 𝑇𝑥,𝑡 Kontribusi Kumulatif
IPCC Kaca 𝐸𝑥,0 (CO2eq) 𝐸𝑥,𝑡 (CO2eq) terhadap (Kolom G)
tren
1A Kategori CO2 80 90 0.088808974 27% 27%
Emisi
3C Kategori CH4 110 190 0.078038718 23% 50%
Emisi
4A Kategori CO2 71 80 0.078440321 23% 73%
Removal
2B Kategori CO2 50 99 0.07364847 22% 95%
Emisi
5B Kategori N2O 20 35 0.015562107 5% 100%
Emisi
Total 331 494 0.33449859
Pada dasarnya, metode ini memperlakukan tren yang mengalami peningkatan ataupun
penurunan dalam kondisi yang sama. Namun, terdapat beberapa kemungkinan dimana suatu
negara tidak akan melakukan penelitian lebih lanjut untuk kategori sumber/rosot yang memiliki
tren menurun. Hal ini dikarenakan besarnya sumber daya/resources yang dibutuhkan untuk
melaksanakan aktivitas tersebut.
Tren penurunan kategori emisi terhadap total inventarisasi yang signifikan juga dapat menjadi
indikasi bahwa telah terjadi penurunan data aktivitas dan faktor emisi yang diakibatkan oleh
aksi mitigasi. Terlepas dari apapun metodologi yang digunakan untuk menentukan kategori
kunci, lembaga penyelenggara inventarisasi GRK harus menginformasikan mengenai metode
4.2 Pedoman dan Langkah Metode untuk Penilaian Tingkat (Pendekatan II)
Langkah 2: Masukkan nilai hasil penilaian tingkat (Lx,t) pada kolom E dan masukan nilai
persentase ketidakpastian (Ux,t) pada kolom F yang didapatkan berdasarkan
pedoman analisis ketidakpastian
A B C D E F G H
Kode Kategori Gas Nilai Penilaian Persentase Penilaian Total
kategori IPCC Rumah estimasi Tingkat Ketidakpastian Tingkat kumulatif
IPCC Kaca absolut 𝐿𝑥,𝑡 (%) (pendekatan (kolom G)
tahun 𝑈𝑥,𝑡 II)
terakhir 𝐿𝑈𝑥,𝑡
CO2eq
1A Kategori CO2 X 15% 10%
Emisi
2B Kategori CO2 Y 40% 5%
Emisi
3C Kategori CH4 Z 5% 10%
Emisi
4A Kategori CO2 A 2% 15%
Removal
5B Kategori N2O B 25% 7%
Emisi
… Kategori … ….
lainnya
Total
Langkah 4: Urutkan nilai (LUx,t) pada kolom G berdasarkan pada nilai terbesar hingga terkecil.
Kemudian, hitung total kumulatif (LUx,t) per kategori
Langkah 5: Sama seperti metode penilaian tingkat pendekatan I, kategori-kategori yang
memiliki nilai dibawah atau sama dengan 95% dapat diklasifikasikan sebagai
kategori kunci
A B C D E F G H
Kode Kategori Gas Nilai Penilaian Persentase Penilaian Total
kategori IPCC Rumah estimasi Tingkat Ketidakpastian Tingkat kumulatif
IPCC Kaca absolut 𝐿𝑥,𝑡 (%) (pendekatan (kolom
tahun 𝑈𝑥,𝑡 II) G)
terakhir 𝐿𝑈𝑥,𝑡
CO2eq
2B Kategori CO2 Y 40% 14% 33.06% 33.06%
Emisi
5B Kategori N2O B 25% 7% 28.93% 61.98%
Emisi
1A Kategori CO2 X 15% 10% 24.79% 86.78%
Emisi
3C Kategori CH4 Z 5% 10% 8.26% 95.04%
Emisi
4A Kategori CO2 A 2% 15% 4.96% 100.00%
Removal
… Kategori … ….
lainnya
Total
Kategori-kategori emisi atau serapan yang teridentifikasi sebagai kategori kunci dengan
menggunakan metode penilaian tingkat (Pendekatan II) dan tidak teridentifikasi oleh
4.4 Pedoman dan Langkah untuk Metode Penilaian Tren (Pendekatan II)
Tabel L.3 4-1. Penjelasan langkah 1 - langkah 4 untuk analisis tren (Pendekatan II)
A B C D E F G H
Kode Kategori Gas Analisis Persentase Analisis tren Kontribusi Total
kategori IPCC Rumah tren Ketidakpastian (pendekatan terhadap kumulatif
IPCC Kaca 𝑇𝑥,𝑡 (%) II) total (kolom G)
CO2eq 𝑈𝑥,𝑡 𝑇𝑈𝑥,𝑡 emisi (%)
1A Kategori CO2 0.089 14% 0.0124 34.95%
Emisi
2B Kategori CO2 0.074 7% 0.0052 14.49%
Emisi
3C Kategori CH4 0.078 10% 0.0078 21.94%
Emisi
4A Kategori CO2 0.078 10% 0.0078 22.05%
Removal
Langkah kelima untuk menentukan kategori kunci adalah dengan mengurutkan hasil analisis
tren yang dikombinasikan dengan hasil analisis ketidakpastian (kolom E) dari nilai terbesar
hingga terkecil seperti yang ditunjukan pada Persamaan L.3 4-2.
Tabel L.3 4-2. Contoh penggunaan analisis tren (Pendekatan II) untuk penentuan kategori
kunci
A B C D E F G H
Kode Kategori Gas Analisis Persentase Analisis tren Kontribusi Total
kategori IPCC Rumah tren Ketidakpastian (pendekatan terhadap kumulatif
IPCC Kaca 𝑇𝑥,𝑡 (%) II) total emisi (kolom
CO2eq 𝑈𝑥,𝑡 𝑇𝑈𝑥,𝑡 (%) G)
1A Kategori CO2 0.089 14% 0.0124 35.10% 35.10%
Emisi
4A Kategori CO2 0.074 10% 0.0074 20.79% 55.88%
Removal
3C Kategori CH4 0.078 10% 0.0078 22.03% 77.91%
Emisi
2B Kategori CO2 0.078 7% 0.0055 15.50% 93.41%
Emisi
5B Kategori N2O 0.016 15% 0.0023 6.59% 100.00%
Emisi
Total 0.0354
Kategori-kategori emisi atau serapan yang teridentifikasi sebagai kategori kunci dengan
menggunakan metode analisis tren (Pendekatan II) dan tidak teridentifikasi oleh Pendekatan I,
wajib untuk tetap diklasifikasikan sebagai kategori kunci. Sebagai tambahan, urutan kategori
utama yang telah diidentifikasi oleh Pendekatan II dapat menjadi informasi untuk perencanaan
perbaikan sistem inventarisasi GRK nasional.
5. PENDEKATAN KUALITATIF
Pada beberapa kasus, hasil dari Analisis Kategori Kunci/KCA tidak dapat mengidentifikasi
semua kategori sumber/rosot yang harus diprioritaskan dalam sistem inventarisasi GRK. Jika
KCA secara kuantitatif tidak dapat dilakukan akibat dari minimnya data inventarisasi GRK, maka
penyelenggara inventarisasi GRK dapat menggunakan metode kriteria kualitatif untuk
identifikasi kategori kunci. Kriteria-kriteria kualitatif yang dijelaskan di bawah ini hanya dapat
digunakan untuk kondisi tertentu saja. Berikut merupakan contoh dari kriteria kualitatif
berdasarkan good practice IPCC GL:
Teknik mitigasi dan teknologi
Jika emisi dari suatu kategori emisi mengalami penurunan atau serapan mengalami
peningkatan yang diakibatkan oleh mekanisme mitigasi perubahan iklim, hal ini merupakan
salah satu contoh identifikasi kategori kunci dengan menggunakan kriteria kualitatif. Analisis ini
diharapkan dapat memberikan informasi yang tepat untuk mengetahui apakah suatu kategori
sumber emisi dapat diklasifikasikan sebagai “kategori kunci”.
Merupakan suatu contoh yang baik untuk melaksanakan dokumentasi terhadap hasil KCA di
dalam laporan inventarisasi GRK. Informasi dalam dokumen ini sangatlah penting untuk
menjelaskan pemilihan metode untuk tiap kategori. Sebagai tambahan, penanggung jawab
inventarisasi harus mencantumkan kriteria di mana setiap kategori diidentifikasi sebagai kunci
(misalnya tingkat, tren atau kualitatif) dan metode yang digunakan untuk KCA (misal:
pendekatan I atau pendekatan II). Tabel L.3 3-1 dan Tabel L.3 3-12 harus digunakan sebagai
dokumen dari kegiatan analisis kategori kunci. Tabel L.3 3-1 dapat digunakan sebagai
rangkuman dari hasil analisis kategori kunci. Notasi yang dapat digunakan: “L” untuk kategori
kunci yang menggunakan metode penilaian tingkat: “T” untuk kategori kunci yang
menggunakan metode penilaian tren; dan “Q” untuk kategori kunci yang menggunakan kriteria
kualitatif. Kolom komentar harus menjelaskan alasan penggunakan kriteria kualitatif dalam
identifikasi kategori kunci.
Tabel L.3 6-1. Rangkuman hasil analisis kategori utama
Metode kuantitatif yang digunakan: Pendekatan I atau Pendekatan II
A B C D E
Kode kategori Kategori IPCC Gas Rumah Identifikasi komentar
IPCC Kaca kriteria
Tabel L.3 7-1. Informasi inventarisasi GRK sektor Energi tahun 2014
2014
Code Categories CO2 CH4 N2O Total
GgCO2 GgCH4 GgCO2eq GgN2O GgCO2eq Gg CO2eq
Sectoral Approach
Energy Energy 1,309 27,483.85 18 5,456.63
544,394 577,334
1.A Fuel Combustion 532 11,167.55 18 5,445.07
538,204 554,816
1.A.1 Energy Industries 3 69.46 3 836.30
222,307 223,213
1.A.1.a Main activity 3 63.91 3 827.62
electricity and heat 207,780 208,671
production
1.A.1.b Petroleum refining 0 5.54 0 8.49
14,489 14,503
1.A.1.c Coal Processing 0 0.01 0 0.19
39 39
1.A.2 Manufacturing 22 463.30 3 985.17
Industries and 170,145 171,593
Construction
1.A.3 Transport 36 765.07 5 1,652.87
113,704 116,122
1.A.4 Other Sectors 469 9,844.85 6 1,948.70
23,408 35,201
1.A.4.a Commercial/Institutio 3 57.03 0 14.99
nal 2,826 2,899
1.A.4.b Residential 466 9,787.82 6 1,933.71
20,581 32,303
1.A.5 Other 1 24.86 0 22.02
8,640 8,687
1.B Fugitive emissions 777 16,316.30 0 11.56
6,190 22,518
1.B.1 Solid Fuels 106 2,221.38 - -
- 2,221
1.B.1.a Underground coal - -
mining -
1.B.1.b Surface coal mining 106 2,221.38 -
- 2,221
1.B.2 Oil and Natural Gas 671 14,094.92 0 11.56
6,190 20,296
1.B.2.a Oil 515 10,809.99 0 8.65
2,090 12,909
1.B.2.b Natural gas 156 3,284.93 0 2.90
4,100 7,388
3. Selanjutnya, mengrutkan estimasi kategori emisi berdasarkan nilai penilaian tingkat (dari
terbesar hingga terkecil)
A B C D E F G
Kode Kategori IPCC GHG 𝑬𝒙,𝒕 |𝑬𝒙,𝒕 | 𝑳𝒙,𝒕 Total
kategori (GgCO2eq) (GgCO2eq) kumulatif
IPCC (kolom
F)
1.A.1.a Main activity electricity and CO2 208,671 208,671 36%
heat production
1.A.2 Manufacturing Industries and CO2 171,593 171,593 30%
Construction
1.A.3 Transport CO2 116,122 116,122 20%
1.A.4.b Residential CO2 32,303 32,303 6%
1.B.2x (Fugitive emissions) Oil and CO2 20,296 20,296 4%
Natural Gas
1.A.1.b Petroleum refining CO2 14,503 14,503 3%
1.A.5 Other CO2 8,687 8,687 2%
1.A.4.a Commercial/Institutional CO2 2,899 2,899 1%
1.B.1 (Fugitive emissions) Solid CO2 2,221 2,221 0%
Fuels
1.A.1.c Coal Processing CO2 39 39 0%
4. Langkah terakhir, menjumlahkan nilai kumulatif kontribusi sumber/sorot (nilai absolut besar
ke kecil) hingga mendapatkan angka 95%
A B C D E F G
Kode Kategori IPCC GHG 𝑬𝒙,𝒕 |𝑬𝒙,𝒕 | 𝑳𝒙,𝒕 Total
kategori (GgCO2eq) (GgCO2eq) kumulatif
IPCC (kolom
F)
1.A.1.a Main activity electricity CO2 208,671 208,671 36% 36%
and heat production
1.A.2 Manufacturing Industries CO2 171,593 171,593 30% 66%
and Construction
Tabel L.3 7-2. Informasi inventarisasi GRK sektor Energi tahun 2010 dan 2014
2010 2014
Code Categories Total Total
CO2eq Gg CO2eq
Sectoral Approach
4. Langkah selanjutnya menghitung nilai analisis tren Tx,t dengan menggunakan Persamaan
L.3 3-2 atau Persamaan L.3 3-3.
A B C D E F G H
Kode Kategori IPCC Gas Estimasi Estimasi Analisis % Total
kategori Rumah tahun dasar tahun akhir tren Kontribusi Kumulatif
IPCC Kaca 𝐸𝑥,0 (CO2eq) 𝐸𝑥,𝑡 (CO2eq) 𝑇𝑥,𝑡 terhadap
tren
1.A.1.a Main activity CO2 130,886 208,671 0.092517
electricity and heat
production
1.A.1.b Petroleum refining CO2 13,449 14,503 0.005804
1.A.1.c Coal Processing CO2 192 39 0.000453
1.A.2 Manufacturing CO2 132,306 171,593 0.006707
Industries and
Construction
1.A.3 Transport CO2 108,745 116,122 0.049463
1.A.4.a Commercial/Institut CO2 3,798 2,899 0.004279
ional
1.A.4.b Residential CO2 28,299 32,303 0.008273
1.A.5 Other CO2 12,496 8,687 0.015960
1.B.1 (Fugitive CO2 1,334 2,221 0.001149
emissions) Solid
Fuels
1.B.2 (Fugitive CO2 21,673 20,296 0.016140
emissions) Oil and
Natural Gas
Total 453,178 577,334 0.200750
5. Selanjutnya, menghitung persentase kontribusi kategori terhadap total analisis tren dan
diurutkan dari nilai terbesar ke terkecil
6. Langkah terakhir adalah menjumlahkan nilai kumulatif kontribusi sumber/sorot (nilai absolut
besar ke kecil) hingga mendapatkan angka 95%
84 Analisis Kategori Kunci
A B C D E F G H
Kode Kategori IPCC Gas Estimasi Estimasi Analisis % Total
kategori Rumah tahun dasar tahun akhir tren Kontribusi Kumulatif
IPCC Kaca 𝐸𝑥,0 (CO2eq) 𝐸𝑥,𝑡 (CO2eq 𝑇𝑥,𝑡 terhadap
) tren
1.A.1.a Main activity CO2 130,886 208,671 0.0925 46.1% 46.1%
electricity and heat
production
1.A.3 Transport CO2 108,745 116,122 0.0494 24.6% 70.7%
1.B.2 (Fugitive CO2 21,673 20,296 0.01614 8.0% 78.8%
emissions) Oil and
Natural Gas
1.A.5 Other CO2 12,496 8,687 0.01596 8.0% 86.7%
1.A.4.b Residential CO2 28,299 32,303 0.00827 4.1% 90.8%
1.A.2 Manufacturing CO2 132,306 171,593 0.00670 3.3% 94.2%
Industries and
Construction
1.A.1.b Petroleum refining CO2 13,449 14,503 0.00580 2.9% 97.1%
1.A.4.a Commercial/Instituti CO2 3,798 2,899 0.00427 2.1% 99.2%
onal
1.B.1 (Fugitive emissions) CO2 1,334 2,221 0.00114 0.6% 99.8%
Solid Fuels
1.A.1.c Coal Processing CO2 192 39 0.00045 0.2% 100.0%
Total 453,178 577,334 0.20075
A B C D E F G
Kode Kategori IPCC GHG 𝑬𝒙,𝒕 |𝑬𝒙,𝒕 | 𝑳𝒙,𝒕 Total
kategori (GgCO2eq) (GgCO2eq) kumulatif
IPCC (kolom F)
1 A1 Energy Industries CO2 222,307 222,307 25.9% 26%
1 A2 Manufacturing Industries and CO2 170,145 170,145 19.8% 46%
Construction
1 A3 Transportation CO2 138,397 138,397 16.1% 62%
4 D2 Industrial Wastewater CH4 45,608 45,608 5.3% 67%
Treatment and Discharge
3 C7 Rice Cultivation CH4 35,994 35,994 4.2% 71%
4A 2a Unmanaged Waste Disposal CH4 33,123 33,123 3.9% 75%
Sites
3 C4 Direct N2O Soils N2O 32,575 32,575 3.8% 79%
2 A1 Cement Production CO2 24,192 24,192 2.8% 82%
1 A4 b Residential CO2 20,581 20,581 2.4% 84%
3A1 Enteric Fermentation CH4 16,084 16,084 1.9% 86%
1 B2 Oil and Natural Gas CH4 14,095 14,095 1.6% 88%
4 D1 Domestic Wastewater CH4 14,066 14,066 1.6% 89%
Treatment and Discharge
1 A4 b Residential CH4 9,788 9,788 1.1% 90%
1 A5 Non-Specified CO2 8,640 8,640 1.0% 91%
3 C5 Indirect N2O Soils N2O 8,520 8,520 1.0% 92%
2 B1 Ammonia Production CO2 7,947 7,947 0.9% 93%
3 C6a Direct N2O from manure N2O 7,625 7,625 0.9% 94%
1 B2 Iron and Steel Production CO2 6,256 6,256 0.7% 95%
3 C3 Oil and Natural Gas CO2 6,190 6,190 0.7% 96%
2 C1 Urea Fertilization CO2 4,836 4,836 0.6% 96%
1 A4 a Commercial/Institutional CO2 2,826 2,826 0.3% 97%
4 D1 Domestic Wastewater N2O 2,659 2,659 0.3% 97%
Treatment and Discharge
2 D2 Paraffin Wax Use CO2 2,284 2,284 0.3% 97%
1 B1 Solid Fuels CH4 2,221 2,221 0.3% 97%
3A2 Transportation N2O 2,056 2,056 0.2% 98%
2 B8 Manure Management CH4 2,031 2,031 0.2% 98%
1 A4 b Petrochemical and Carbon CO2 1,946 1,946 0.2% 98%
Black Production
3 C2 Residential N2O 1,934 1,934 0.2% 98%
4 C2 Liming CO2 1,920 1,920 0.2% 99%
1 A3 Open Burning Waste CO2 1,748 1,748 0.2% 99%
3 C1b Biomass Burning CL CH4 1,204 1,204 0.1% 99%
3C6b Indirect N2O from manure N2O 1,202 1,202 0.1% 99%
4 C2 Open Burning Waste CH4 1,111 1,111 0.1% 99%
1 A2 Manufacturing Industries and N2O 985 985 0.1% 99%
Construction
1 A1 Energy Industries N2O 836 836 0.1% 99%
1 A3 Transportation CH4 792 792 0.1% 99%
3 C1c Biomass Burning GL CH4 716 716 0.1% 100%
4B Nitric Acid Production N2O 524 524 0.1% 100%
4B Manufacturing Industries and CH4 463 463 0.1% 100%
Construction
2 B2 Biomass Burning CL N2O 461 461 0.1% 100%
1 A2 Aluminium Production CO2 320 320 0.0% 100%
3 C1b Biomass Burning GL N2O 274 274 0.0% 100%
2 C3 Other Process Uses of CO2 221 221 0.0% 100%
LAMPIRAN 4.
CHECKING TOOL UNTUK
AKTIFITAS PENJAMINAN MUTU
Checking Tool 93
1. PENDAHULUAN
94 Checking Tool
tools yang dapat diimplementasikan di sistem inventarisasi GRK Indonesia adalah IPCC
emission difference tools.
Tools ini merupakan salah satu best practice yang telah diterapkan di sistem inventarisasi GRK
Belanda untuk mengidentifikasi kesalahan dan/atau penjelasan terkait kategori-kategori sumber
emisi yang mengalami perubahan secara signifikan jika dibandingkan dengan siklus
inventarisasi tahun sebelumnya. Di dalam sistem inventarisasi GRK Belanda, checking tools ini
akan dipersiapkan oleh national inventory compiler di setiap siklus tahun inventarisasi GRK
(sebelum dimasukkan ke dalam database nasional).
Tools ini diaplikasikan dalam format spreadsheet (SS) dan dapat didistribusikan kepada
lembaga ataupun instansi lainnya. National inventory compiler di Belanda akan mengunduh
data inventarisasi GRK tahun sebelumnya dari database ke dalam SS dan dibandingkan
dengan nilai estimasi emisi/serapan dari siklus inventarisasi GRK saat ini. Prinsip dari tools ini
Signifikan:
Definisi dari “signifikan” dapat diatur berdasarkan kebutuhan dari suatu negara. Jika melihat
best practice inventarisasi GRK di Belanda, mereka menggunakan ambang batas 5% untuk
tingkatan emisi sektor. Jika perubahan emisi dari suatu kategori sumber emisi memiliki
kontribusi lebih dari 5% total emisi sektor daripada perubahan nilai faktor emisi dan atau data
aktifitas, maka sector specialist memiliki kewajiban untuk memberikan penjelasan/justifikasi
Kriteria kedua untuk definisi signifikan adalah ambang batas 0,5% untuk total emisi nasional.
Jika perubahan emisi dari suatu kategori sumber emisi memiliki kontribusi lebih dari 0.5%
total emisi nasional (untuk jenis GRK spesifik) daripada perubahan nilai faktor emisi dan atau
data aktifitas, maka sector specialist memiliki kewajiban untuk memberikan
penjelasan/justifikasi
sendiri adalah mengidentifikasi sumber emisi/serapan yang dikombinasikan dengan beberapa
jenis GRK yang berbeda, dimana perubahan emisi/serapan terjadi antara tahun inventarisasi
GRK sebelumnya (former inventory year) dan tahun inventarisasi GRK yang baru (new
inventory year). Jika terdapat perbedaan yang signifikan antara emisi di tahun ke-(t) dan (t-1)
pada kategori-kategori tertentu, maka penanggung jawab sektor terkait harus memberikan
penjelasan/justifikasi. SS yang berisi penjelasan dari sektor terkait merupakan basis pelaporan
tren emisi di laporan inventarisasi GRK Belanda. Alur penggunaan tools IPCC emission
difference di sistem inventarisasi GRK Belanda dijelaskan pada Gambar L.4 2-1.
Checking Tool 95
Gambar L.4 2-1. Alur IPCC emission difference tools di sistem inventarisasi GRK Belanda
Modifikasi yang dilakukan adalah dengan menambahan beberapa kolom baru di dalam SS
IPCC emission difference tools yaitu kolom koordinator sektor dan penanggung jawab sub-
sektor. Selain itu, untuk mempercepat proses analisis, SS IPCC emission difference tools
dimodifikasi dengan membagi proses analisis berdasarkan sektor Energi, IPPU, Pertanian,
LULUCF dan Limbah. Hal ini bertujuan agar tools ini dapat pula digunakan oleh koordinator
sektor untuk mengidentifikasi alasan perubahan nilai emisi per kategori dan GRK tertentu dari
dua periode inventarisasi GRK. Proses ini merupakan salah satu kewajiban dari koordinator
masing-masing sektor untuk memastikan tahapan inventarisasi GRK dari penanggung jawab
sub-sektor mereka ataupun pemerintah daerah telah dilakukan dengan kaidah yang benar
(penjaminan mutu). Informasi perubahan nilai emisi per kategori dan GRK yang signifikan juga
dapat membantu percepatan proses evaluasi yang dilakukan lembaga penanggung jawab
inventarisasi GRK nasional. Detail alur proses pemeriksaan hasil inventarisasi GRK dari
penanggung jawab sub-sektor/daerah yang dilakukan oleh koordinator sektor dideskripsikan
dalam Gambar L.4 2-2.
Koordinator sektor akan memasukkan data-data emisi yaitu data aktifitas, faktor emisi dan emisi
tahun inventarisasi saat ini yang telah dilakukan perhitungannya oleh sub-sektor atau unit
terkait ke dalam spreadsheet (tab “Checks_Sector specialist_sektor terkait). Sebelumnya,
koordinator sektor juga telah memasukkan parameter-parameter seperti data aktifitas, faktor
emisi serta emisi tahun sebelumnya yang digunakan sebagai basis perbandingan. Faktor emisi
yang digunakan sebagai perbandingan antara data inventarisasi GRK tahun ini dan tahun
sebelumnya adalah implied emission factor (IEF).
96 Checking Tool
Gambar L.4 2-2. Alur IPCC emission difference tools untuk tingkat sektor/daerah
Penggunaan IEF bertujuan untuk mendapatkan informasi perubahan nilai emisi yang
diakibatkan perubahan nilai faktor emisi data tahun (t-1) ke tahun (t). IEF didapatkan dari hasil
pembagian antara nilai estimasi emisi/serapan dan data aktifitas untuk masing-masing kategori.
Setelah dilakukan input parameter-parameter yang dibutuhkan, tools ini kemudian secara
otomatis akan mengidentifikasi kategori emisi mana saja yang perlu dikonfirmasi ulang ke
penanggung jawab sub-sektor/pemerintah daerah.
Proses yang sama juga terjadi pada lembaga penanggung jawab IGRK nasional yaitu
melakukan pengecekan ulang terhadap hasil inventarisasi GRK secara menyeluruh dari tiap
koordinator sektor sebagai bagian dari proses penjaminan mutu (QA) dan lakukan revisi apabila
diperlukan. Perbedaan utama dari alur yang dilakukan pada tingkat koordinator sektor dan
lembaga penanggung jawab inventarisasi GRK nasional adalah kriteria yang digunakan untuk
mengidentifikasi perubahan emisi dari tahun (t-1) ke (t) itu signifikan atau tidak. Kriteria tersebut
adalah perubahan emisi dari suatu kategori sumber emisi memiliki kontribusi lebih dari 0.5%
total emisi nasional (untuk jenis GRK spesifik) daripada perubahan nilai faktor emisi dan atau
data aktifitas. Jika kriteria-kriteria tersebut terpenuhi, maka koordinator sektor memiliki
kewajiban untuk memberikan penjelasan secara mendalam mengenai alasan/justifikasi suatu
kategori emisi mengalami perubahan nilai yang signifikan dari dua periode inventarisasi GRK.
Informasi terkait alur penggunaan tools IPCC emission difference untuk level lembaga
penanggung jawab inventarisasi GRK nasional dijelaskan pada Gambar L.4 2-3.
Checking Tool 97
Gambar L.4 2-3. Alur IPCC emission difference tools untuk tingkat nasional
98 Checking Tool
Berikut merupakan instruksi detail terkait penggunaan checking tools yang akan diterapkan di
sistem inventarisasi GRK Indonesia.
Changes in
EF or AD EF or AD EF or AD
High Middle Low
Markers Emission Contribution to 1 2 3
Target sector > > <=
1 High > 10.0% 15% 5% 5%
2 Middle > 2.5% 60% 20% 20%
3 Low > 0.1% 1500% 500% 500%
4 Negligible <= 0.1% 4500% 1500% 1500%
Gambar L.4 2-4. Matriks kriteria terkait dengan nilai perubahan emisi dari tahun (t-1) ke tahun t
Pada Gambar L.4 2-4, terlihat bahwa kontribusi kategori emisi terhadap total emisi sektor di
tahun ke (t-1) dapat dibagi menjadi 4 kriteria yaitu:
1. High (tinggi): jika kategori sumber emisi berkontribusi lebih dari 10% total emisi sektor
2. Middle (menengah): Jika kategori sumber emisi berkontribusi lebih dari 2.5% total emisi
sektor
3. Low (rendah): Jika kategori sumber emisi berkontribusi lebih dari 0.1% total emisi
sektor
4. Negligible (dapat diabaikan): Jika kategori sumber emisi yang berkontribusi kurang
dari atau sama dengan 0.1% total emisi sektor
Checking Tool 99
Kolom berikutnya menjelaskan kriteria perubahan nilai data aktifitas dan faktor emisi dari tahun
(t-1) ke tahun t. Terdapat 3 kriteria terkait dengan persentase perubahan nilai data aktifitas dan
faktor emisi, yaitu:
1. High (tinggi): jika perubahan nilai data aktifitas dan faktor emisi lebih dari 15% untuk
kategori-kategori yang memiliki kontribusi emisi lebih dari 10% total
emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi lebih dari 60% untuk
kategori-kategori yang memiliki kontribusi emisi lebih dari 2.5% total
emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi lebih dari 1500%
untuk kategori-kategori yang memiliki kontribusi emisi lebih dari 0.1%
total emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi lebih dari 4500%
untuk kategori-kategori yang memiliki kontribusi emisi kurang dari
0.1% total emisi sektor
2. Medium (menengah) jika perubahan nilai data aktifitas dan faktor emisi lebih dari 5% untuk
kategori-kategori yang memiliki kontribusi emisi lebih dari 10% total
emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi lebih dari 20% untuk
kategori-kategori yang memiliki kontribusi emisi lebih dari 2.5% total
emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi lebih dari 500%
untuk kategori-kategori yang memiliki kontribusi emisi lebih dari 0.1%
total emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi lebih dari 1500%
untuk kategori-kategori yang memiliki kontribusi emisi kurang dari
0.1% total emisi sektor
3. Rendah jika perubahan nilai data aktifitas dan faktor emisi kurang dari /sama
dengan 5% untuk kategori-kategori yang memiliki kontribusi emisi
lebih dari 10% total emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi kurang dari /sama
dengan 20% untuk kategori-kategori yang memiliki kontribusi emisi
lebih dari 2.5% total emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi kurang dari /sama
dengan 500% untuk kategori-kategori yang memiliki kontribusi emisi
lebih dari 0.1% total emisi sektor
jika perubahan nilai data aktifitas dan faktor emisi kurang dari /sama
dengan 1500% untuk kategori-kategori yang memiliki kontribusi emisi
kurang dari 0.1% total emisi sektor
Berikutnya adalah identifikasi latar belakang perubahan nilai emisi dari tahun (t-1) ke tahun t.
Pada Gambar L.4 2-4 dapat dilihat bahwa untuk kriteria kontribusi emisi untuk kategori sektor
dibagi menjadi empat. Masing-masing kriteria ditandai dengan angka “1” (kontribusi paling
tinggi) sampai dengan “4” (kontribusi paling rendah). Selain itu, kriteria lain yang digunakan
adalah perubahan data aktifitas dan faktor emisi (3 kriteria). Masing-masing kriteria ditandai
dengan angka “1” (perubahan paling tinggi) hingga “3” (perubahan paling rendah). Secara
otomatis, masing-masing perubahan untuk emisi, data aktifitas dan faktor emisi akan
dikelompokan sesuai dengan kriteria masing-masing: sesuai dengan nilai yang ada pada kolom
“Total (share of emissions in target total)”. Pada kolom “legenda” akan muncul kombinasi (dua
digit) kriteria untuk perubahan data aktifitas dan faktor emisi. Penjelasan gabungan kriteria akan
dijelaskan secara detail padaTabel L.4 2-1
Langkah 6: Setelah analisis terhadap perubahan emisi, data aktifitas dan faktor emisi
dilakukan, kemudian analisis dilanjutkan pada kolom “Change in emission
Target sector” dan “Change in National Emission”
Kolom “Change in emission Target sector” merupakan persentase perubahan total emisi target
sektor akibat perubahan emisi dari kategori tertentu untuk tahun inventori (t-1) dan (t).
Berdasarkan “best practice” dari Belanda, jika persentanse perubahan lebih dari 5% maka
penyelenggara inventarisasi GRK terkait harus menjelaskan alasan perubahan di kolom
“Explanation by sector specialist”.
Kolom “Change in National Emission” merupakan persentase perubahan total emisi nasional
akibat perubahan emisi dari kategori tertentu untuk tahun inventori (t-1) dan (t). Berdasarkan
“best practice” dari Belanda, jika persentase perubahan lebih dari 0.5% maka
koordinator/penanggung jawab sub-sektor/unit pelaksana harus dapat menjelaskan alasan
perubahan di kolom “Explanation by sector specialist”. Dalam tools ini, jika kedua kondisi
tersebut terjadi maka kedua kolom tersebut akan berubah warna. Hal itu menandakan bahwa
koordinator/penanggung jawab sub-sektor/unit pelaksana harus menjelaskan alasan perubahan
tersebut.
3. PELAPORAN
Agar alasan-alasan terkait perubahan emisi dari tahun (t-1) ke tahun (t) dapat diterima dengan
baik oleh penanggung jawab inventarisasi GRK nasional, maka perlu dibuat suatu laporan yang
memberikan informasi kategori mana saja yang mengalami perubahan nilai emisi secara
signifikan. Informasi-informasi yang harus dituliskan di dalam laporan:
Kategori mana saja yang menjadi isu dan perlu dikonfirmasi oleh koordinator sektor ke
penanggung jawab sub-sektor/daerah
Bagaimana proses konfirmasi tersebut dilakukan (penjelasan alur)
Apa kriteria yang digunakan dalam proses konfirmasi
Batasan-batasan dari proses tersebut yang telah teridentifikasi
Apa umpan balik yang didapatkan dari sub-sektor/unit pelaksana
Langkah yang diambil oleh koordinator sektor terkait dengan temuan-temuan selama
proses konfirmasi
Rekomendasi untuk peningkatan sistem inventarisasi GRK
Laporan ini harus dilampirkan dalam laporan QA/QC dari tahap penanggung jawab sub-sektor
hingga lembaga penanggung jawab IGRK nasional.
Pada penggunaan tools IPCC emission difference untuk sektor energi terdapat beberapa
proses yang dilakukan hingga mendapatkan hasil sesuai dengan penjelasan pada instruksi
umum di atas, yaitu:
1. Koordinator sektor energi mengisi kolom koordinator sektor sesuai dengan mekanisme
kelembagaan yang telah ditunjuk pada Permen KLHK no.73/2017 dan kolom
penanggung jawab sub-sektor untuk lembaga yang bertanggung jawab dalam
pengelolaan kategori tersebut (berdasarkan klasifikasi IPCC).
2. Koordinator sektor energi kemudian memasukan data-data terkait perhitungan emisi per
jenis gas rumah kaca (data aktifitas dan emisi/sorot) untuk setiap kategori emisi kedalam
spreadsheet tools untuk tahun inventarisasi (t-1) dan (t). Faktor emisi (IEF) untuk tahun
inventarisasi (t-1) dan (t) didapatkan dari pembagian antara kolom “emisi/sorot” dengan
“data aktifitas” (Data tahun ke (t-1) dan (t) merupakan data inventarisasi GRK tahun
2013 & 2014
4. Untuk mempermudah perhitungan jumlah emisi di tahun 2013 per jenis gas, pengguna
dapat menggunakan fitur filter yang ada di tiap kolom spreadsheet. Langkah pertama
adalah lakukan filter terhadap gas yang akan dilakukan penjumlahan emisinya, sebagai
contoh gas CO2. Kemudian, lakukan perhitungan sum untuk kolom “Emisi/sorot tahun
2013) dan masukan hasil penjumlahan pada kolom “Tot_per_target sector”. Untuk kolom
“Tot_per_component” dilakukan ketika semua sektor sudah mengisi parameter-
parameter terkait dan akan dilakukan proses yang sama untuk total emisi tahun 2013
gas CO2.
5. Lihat perubahan nilai emisi di kolom “Em_deviation”. Perubahan ini diakibatkan oleh
perubahan data aktifitas dan faktor emisi. Penjelasan terkait perubahan tersebut dapat
dilihat pada kolom “explanation of difference”. Masing-masing penjelasan kode yang
terlampir pada kolom “explanation of difference”, dapat dilihat pada Tabel L.4 2-1.
8. Setelah semua kolom penjelasan terisi oleh penanggung jawab sub-sektor di sektor
energi, spreadsheet ini kemudian akan dikembalikan lagi ke koordinator sektor untuk
dilakukan review kembali dan kemudian dilaporkan ke penanggung jawab IGRK
nasional.