SKRIPSI
i
HALAMAN PENGESAHAN
SKRIPSI
iii
KATA PENGANTAR
iv
7. Rekan-rekan Alensa sebagai keluarga di perantauan yang menyemangati,
memberi motivasi, dan hiburan sehingga penulis tetap semangat menjalani
pembelajaran dan perkuliahan.
8. Keluarga besar STMKG angkatan 2013 khususnya Klimatologi angkatan 4
yang sudah memberikan kekuatan dalam menjadi pribadi yang lebih baik dan
memberikan motivasi dalam belajar.
9. Senior Sesar Prabu Dwi Sriyanto yang telah memberikan koreksi dan saran
dalam penulisan skripsi.
10. Ayun, Windi, Debi, dan Vinca yang telah mendukung dan menyemangati tanpa
lelah dalam penyusunan skripsi.
11. Semua pihak yang telah membantu dalam penyempurnaan skripsi ini yang
tidak bisa penulis sebutkan satu per satu.
Penulis juga menyadari segala kekurangan di dalam tulisan ini, sehingga
penulis sangat berharap saran dan kritik yang membangun demi perbaikan
selanjutnya. Akhir kata, penulis memohon maaf atas segala kekurangan yang ada
dalam skripsi ini dan berharap skripsi ini dapat bermanfaat.
v
DAFTAR ISI
HALAMAN JUDUL................................................................................................ i
HALAMAN PENGESAHAN ................................................................................. ii
PERNYATAAN ORISINALITAS ........................................................................ iii
KATA PENGANTAR ........................................................................................... iv
DAFTAR ISI vi
DAFTAR TABEL ................................................................................................ viii
DAFTAR GAMBAR .............................................................................................. x
DAFTAR LAMPIRAN .......................................................................................... xi
INTISARI ....................................................................................................... xii
ABSTRACT .................................................................................................... xiii
BAB I PENDAHULUAN ....................................................................................... 1
1.1. Latar Belakang................................................................................. 1
1.2. Rumusan Masalah ........................................................................... 4
1.3. Batasan Masalah .............................................................................. 4
1.4. Tujuan .............................................................................................. 5
1.5. Manfaat Penelitian ........................................................................... 5
BAB II TINJAUAN PUSTAKA............................................................................. 6
Tinjauan Pustaka ............................................................................. 6
Landasan Teori ................................................................................ 9
2.2.1. Curah Hujan ........................................................................... 9
2.2.2. Kekeringan Meteorologis ..................................................... 10
2.2.3. Standardized Precipitation-Evaporation Index (SPEI) ....... 12
BAB III METODE PENELITIAN........................................................................ 14
3.1. Lokasi dan Data Penelitian ............................................................ 14
3.1.1 Lokasi Penelitan ................................................................... 14
3.1.2 Jenis dan Sumber Data ......................................................... 15
3.1.3 Kelengkapan Data ................................................................ 16
3.2. Metode Penelitian .......................................................................... 16
3.2.1. Perhitungan Rata-Rata SPEI Wilayah.................................. 16
3.2.2. Perhitungan Data Hotspot Bulanan ...................................... 17
3.2.3. Korelasi Point-Biserial ......................................................... 17
3.2.4. Perhitungan Curah Hujan Observasi Rata-Rata Bulanan .... 18
3.2.5. Model Prediksi Hotspot dengan Regresi Logistik Biner ..... 19
3.3. Uji Signifikansi Model .................................................................. 19
3.4. Validasi Model .............................................................................. 20
3.5. Diagram Alir Penelitian ................................................................. 24
BAB IV HASIL DAN PEMBAHASAN .............................................................. 26
4.1. Pola Frekuensi Kejadian Hotspot .................................................. 26
4.2. Evaluasi Data Hotspot, Curah Hujan, dan Indeks SPEI ................ 29
4.3. Model Prediksi Hotspot ................................................................. 30
4.3.1 Model Regresi Logistik Biner Hotspot ................................ 30
vi
4.3.2 Validasi Model ..................................................................... 36
4.4. Pembahasan ................................................................................... 45
4.4.1 Hubungan Pola Kemunculan Hotspot dengan Curah Hujan
dan SPEI............................................................................... 45
4.4.2 Evaluasi Model Terbaik dalam Memprediksi Kemunculan
Hotspot ................................................................................. 46
4.4.3 Keterbatasan Metode............................................................ 48
BAB V PENUTUP .............................................................................................. 49
Kesimpulan .................................................................................... 49
Saran .............................................................................................. 50
DAFTAR PUSTAKA ........................................................................................... 51
LAMPIRAN .......................................................................................................... 54
vii
DAFTAR TABEL
Tabel 3.1 Nama pos hujan di sekitar Taman Hutan Raya Sultan Adam
(ZOM 272)................................................................................. 15
Tabel 3.2 Kelengkapan data ...................................................................... 16
Tabel 3.4 Kontingensi Jumlah Data Prediksi dan Observasi Tiap
Kategori ..................................................................................... 20
Tabel 4.1 Korelasi Point-Biserial Variabel Hotspot dengan SPEI dan
Curah Hujan Secara Simultan ................................................... 30
Tabel 4.2 Korelasi Point-Biserial Variabel Hotspot dengan Curah Hujan
dan SPEI dengan Lag 1 bulan ................................................... 30
Tabel 4.3 Hasil Model Regresi Logistik Biner Untuk Pengolahan Data
Simultan..................................................................................... 31
Tabel 4.4 Hasil Model Regresi Logistik Biner Untuk Pengolahan Data
Lag 1 .......................................................................................... 32
Tabel 4. 5 Tabel Nilai p-value Model Regresi Logistik Biner Hotspot ..... 32
Tabel 4.6 Perbandingan Hasil Prediksi Hotspot dengan Data Observasi
Menggunakan Prediktor Curah Hujan 3 Bulanan Secara
Simultan..................................................................................... 33
Tabel 4.7 Perbandingan Hasil Prediksi Hotspot dengan Data Observasi
Menggunakan Prediktor SPEI 3 Bulanan Secara Simultan ....... 34
Tabel 4.8 Perbandingan Hasil Prediksi Hotspot dengan Data Observasi
Menggunakan Prediktor Curah Hujan 1 Bulanan dengan Lag
1 ................................................................................................. 35
Tabel 4.9 Perbandingan Hasil Prediksi Hotspot dengan Data Observasi
Menggunakan Prediktor SPEI 1 Bulanan dengan Lag 1 ........... 36
Tabel 4.10 Tabel Kontingensi Validasi Model Menggunakan Prediktor
Curah Hujan 3 Bulanan Simultan dengan Threshold
Probabilitas 0.28 dan 0.3 ........................................................... 37
Tabel 4.11 Tabel Kontingensi Validasi Model Menggunakan Prediktor
Curah Hujan 3 Bulanan Simultan dengan Threshold
Probabilitas 0.32 ........................................................................ 37
Tabel 4.12 Tabel Kontingensi Validasi Model Menggunakan Prediktor
Curah Hujan 3 Bulanan Simultan dengan Threshold
Probabilitas 0.52 ........................................................................ 38
Tabel 4.13 Tabel Kontingensi Validasi Model Menggunakan Prediktor
Curah Hujan 3 Bulanan Simultan dengan Threshold
Probabilitas 0.6 s.d. 0.78 ........................................................... 38
Tabel 4.14 Tabel Kontingensi Validasi Model Menggunakan Prediktor
SPEI 3 Bulanan Simultan dengan Threshold Probabilitas 0.6
dan 0.62 ..................................................................................... 40
viii
Tabel 4.15 Tabel Kontingensi Validasi Model Menggunakan Prediktor
SPEI 3 Bulanan Simultan dengan Threshold Probabilitas 0.64
................................................................................................... 40
Tabel 4.16 Tabel Kontingensi Validasi Model Menggunakan Prediktor
Curah Hujan 1 Bulanan Lag 1 dengan Threshold Probabilitas
0.38 ............................................................................................ 42
Tabel 4.17 Tabel Kontingensi Validasi Model Menggunakan Prediktor
Curah Hujan 1 Bulanan Lag 1 dengan Threshold Probabilitas
0.4 s.d. 0.66................................................................................ 42
Tabel 4.18 Tabel Kontingensi Validasi Model Menggunakan Prediktor
SPEI 1 Bulanan Lag 1 dengan Threshold Probabilitas 0.56 ..... 44
Tabel 4.19 Kriteria Ketepatan Prediksi Masing-masing Prediktor
Pemodelan Kemunculan Hotspot .............................................. 47
ix
DAFTAR GAMBAR
x
DAFTAR LAMPIRAN
xi
INTISARI
Oleh
xii
ABSTRACT
By
Forest and land fires are becoming serious annual problems in Indonesia.
One aspect that increases the risk of forest and land fires is the long drought. The
meteorological drought can be reviewed through rainfall and the Standardized
Evapotranspiration-Precipitation Index (SPEI). A prediction model for the
frequency of hotspots are built using binary logistic regression. Before the
prediction model was built, the selection of variables with the best Point-Biserial
correlation between hotspot data with rainfall data and SPEI are processed
simultaneously and by 1 month lag. The data used is hotspot frequency in Taman
Hutan Raya Sultan Adam, South Kalimantan with confidence level above 70%,
80%, and 90% over the 2013-2017, while SPEI data and rainfall are used in the
average of 1 monthly, 3 monthly, 6 monthly, and 12 monthly.
For simultaneous data processing, the best Point-Biserial correlation was
demonstrated by the relation of hotspot confidence level above 80% with 3 monthly
rainfall average and 3 monthly SPEI, while the best Point-Biserial correlation on
data processing with 1 month lag was shown by the relation of the confidence
hotspot emergence above 80 % with 1 monthly rainfall average and 1 monthly
SPEI. Based on the validation of the model using cross-validation method, the best
predictor in predicting the occurrence of hotspot is 1 monthly rainfall average with
1 month lag which has the highest number of hits and correct rejection which is 54
events and has Area Under Curve (AUC) from Receiver Operating Characteristic
diagram (ROC) is largest that closest to the value of 1. So, the emergence of
hotspots in Taman Hutan Raya Sultan Adam on a particular month most strongly
influenced by the amount of monthly rainfall in the previous month.
xiii
BAB I
BAB I PENDAHULUAN
1
2
Information for Resource Management System (FIRMS), data SPEI yakni SPEI
1 bulanan (SPEI1), 3 bulanan (SPEI3), 6 bulanan (SPEI6), dan 12 bulanan
(SPEI12) dari Spanish National Research Council (CSIC), serta data curah
hujan dari 3 pos hujan utama di sekitar Taman Hutan Raya Sultan Adam.
3. Kriteria kekeringan yang digunakan adalah kekeringan meteorologis.
1.4. Tujuan
Tujuan dari penelitan ini yaitu antara lain:
1. Mengetahui frekuensi kejadianse hotspot pada setiap musim di Taman Hutan
Raya Sultan Adam.
2. Mencari hubungan curah hujan dan indeks kekeringan SPEI terhadap
kemunculan hotspot di Taman Hutan Raya Sultan Adam.
3. Membandingkan model prediksi hotspot antara prediktor indeks SPEI dengan
curah hujan dan mencari model terbaik.
Tinjauan Pustaka
Berdasarkan data Badan Pusat Statistik (BPS; 2016), penggunaan lahan di
Kalimantan Selatan didominasi oleh hutan dengan luas 1.338.866,84 hektar.
Perincian luas kawasan hutan per kabupaten ditunjukkan oleh Gambar 2.1. Dari
grafik tersebut dapat diketahui bahwa 11 dari 13 kabupaten yang ada di Kalimantan
Selatan memiliki hutan, hal ini menunjukkan bahwa masyarakat Kalimantan
Selatan bergantung pada keanekaragaman hayati ekosistem hutan secara langsung
maupun tidak langsung. Dengan urutan 5 besar kabupaten yang memiliki hutan
terluas antara lain Kotabaru (25%), Tanah Bumbu (20%), Tabalong (18%), Banjar
(9%), dan Tanah Laut (9%).
7% 0% 9% Kotabaru
Banjar
Barito Kuala
20% Tapin
Tabalong
Tanah Bumbu
Balangan
18%
Banjarmasin
9%
Banjarbaru
1% 4% 3%0%
4%
6
7
curah hujan pada kedua periode penelitian. Indeks kekeringan berupa jumlah hari
tanpa hujan memiliki implikasi yang lebih daripada jumlah curah hujan pada 5
(lima) ekoregion di Yunnan dan lebih signifikan dalam memprediksi bahaya
kebakaran hutan di masa mendatang.
Marcos dkk. (2015), meneliti Karhutla pada musim panas di wilayah
Mediterania berdasarkan model regresi linier berganda dengan indeks SPI dan
SPEI. Menurut Marcos dkk. (2015), pentingnya periode kering dengan nilai SPEI
negatif berperan dalam produksi biomass (bahan bakar) Karhutla, sedangkan
periode basah dengan nilai SPEI positif berperan meningkatkan pertumbuhan
vegetasi yang berarti mengurangi biomass Karhutla. Penelitian tersebut menguji
sistem prakiraan Karhutla berdasarkan data prekiraan ECMWF (European Centre
for Medium-Range Weather Forecast) System-4, prakiraan persistence, dan
prakiraan klimatologi. Hasil penelitian tersebut menjelaskan bahwa prakiraan
klimatologi hanya mampu memprediksi kondisi basah atau kering sebelumnya
dengan lag 2 tahun.
Hubungan Karhutla dan kekeringan meteorologis dijelaskan lebih spesifik
dalam penelitian Marin dkk. (2017). Data yang digunakan adalah catatan
georeferensi kebakaran periode 2005-2015 di Mexico yang kemudian dihitung dan
dikaitkan hubungan spasial dan temporalnya dengan indeks kekeringan SPEI. Dari
penelitian tersebut diperoleh fakta bahwa di beberapa wilayah utara Mexico kondisi
kering lebih dari 5 bulan dapat memicu kejadian kebakaran.
Sukmawati (2006) telah melakukan penelitian untuk memperoleh hubungan
hujan dengan Karhutla di Pontianak, Kalimantan Barat. Penelitian tersebut mencari
hubungan jumlah hotspot dengan curah hujan bulanan rata-rata, jumlah hari hujan
bulanan rata-rata, dan intensitas curah hujan harian periode 2000-2005. Dari
penelitian tersebut diperoleh bahwa faktor yang paling memengaruhi jumlah
kemunculan hotspot di Pontianak secara signifikan adalah jumlah hari hujan.
Berdasarkan beberapa tinjauan pustaka tersebut, maka penelitian ini perlu
dilakukan untuk membangun pemodelan hotspot di Taman Hutan Raya Sultan
Adam dengan dua variabel kekeringan yang berbeda yakni curah hujan dan SPEI.
Kedua model hotspot tersebut dibandingkan untuk melihat prediktor terbaik dalam
9
Landasan Teori
2.2.1. Curah Hujan
Salah satu parameter cuaca dan iklim yang mempengaruhi kejadian
Karhutla adalah curah hujan. Hal ini disebabkan karena curah hujan berpengaruh
terhadap kelembaban bahan bakar. Bahan bakar akan menyerap air dari udara yang
lembab, uap air yang turun sebagai hujan akan meningkatkan kadar air dari bahan
bakar (Sukmawati, 2006). Septicorini (2006) berpendapat bahwa peningkatan curah
hujan akan diikuti dengan kelembaban bahan bakar sehingga potensi kejadian
Karhutla akan sangat kecil.
Curah hujan didefinisikan sebagai jumlah air yang jatuh di permukaan tanah
sebelum mengalami aliran permukaan, penguapan, dan peresapan ke dalam tanah
yang diukur sebagai tinggi air dalam satuan milimeter (mm). Menurut Tjasyono
(2004), pola curah hujan di Indonesia dapat dibagi menjadi 3 (tiga) jenis, yaitu:
1. Pola curah hujan jenis monsun
Karakteristik wilayah yang memiliki pola curah hujan monsun adalah pola
curah hujannya yang berbentuk “V” dengan jumlah curah hujan minimum pada
bulan Juni, Juli, atau Agustus. Daerah yang berpola curah hujan monsun sangat luas
di Indonesia.
2. Pola curah hujan jenis ekuator
Karakteristik pola curah hujan jenis ekuator yakni memiliki dua puncak
curah hujan maksimum dalam satu tahun. Jumlah curah hujan maksimum terjadi
setelah ekinoks. Ekinoks adalah kedudukan matahari tepat di atas ekuator. Wilayah
Indonesia yang memiliki pola curah hujan ekuator adalah daerah di sekitar ekuator.
3. Pola curah hujan jenis lokal
10
Distribusi curah hujan pola lokal berkebalikan dengan pola monsun. Pola
lokal lebih banyak dipengaruhi oleh faktor lokal. Sangat sedikit daerah di Indonesia
yang memiliki pola curah hujan lokal.
Secara umum, pola curah hujan di Kalimantan Selatan merupakan pola
monsun. Pola monsun tersebut seperti pada Gambar 2.2, terlihat bahwa pola hujan
di Kalimantan Selatan pada umumnya memiliki satu puncak musim hujan dengan
curah hujan tertinggi yang terjadi pada bulan Desember dan satu puncak musim
kemarau dengan curah hujan terendah pada bulan Agustus. Periode musim hujan di
Kalimantan Selatan umumnya dimulai pada bulan Oktober hingga April, sementara
periode musim kemarau terjadi pada bulan Mei hingga September.
menjadi definisi secara konseptual dan operasional (Wilhite dan Glantz, 1985).
Kekeringan secara konseptual merujuk pada definisi-definisi yang diformulasikan
dalam kondisi umum untuk mengidentifikasi batas dari konsep kekeringan. Definisi
operasional mencoba untuk mengidentifikasi awal musim, tingkat keparahan, dan
penghentian peristiwa kekeringan.
Kekeringan sering kali didefinisikan berdasarkan perspektif disiplin ilmu.
Wilhite dan Glantz (1985) mengkategorikan definisi kekeringan menjadi 4 (empat)
kategori yakni:
1. Kekeringan meteorologis
Kekeringan meteorologis berhubungan dengan curah hujan yang terjadi
kurang dari keadaan normalnya pada suatu musim. Perhitungan tingkat kekeringan
meteorologis merupakan indikasi pertama terjadinya kekeringan.
2. Kekeringan agrikultural
Kekeringan agrikultural berkaitan dengan berkurangnya kandungan air
dalam tanah sehingga kebutuhan air bagi tanaman tidak terpenuhi pada periode
tertentu. Kekeringan agrikultural terjadi setelah kekeringan meteorologis.
3. Kekeringan hidrologis
Kekeringan hidrologis ditandai dengan berkurangnya ketersediaan air
permukaan dan air tanah. Kekeringan hidrologis terjadi setelah beberapa waktu
kekeringan meteorologis dan agrikultural.
4. Kekeringan sosio-ekonomis
Kekeringan sosio-ekonomis berhubungan dengan dampak sosial dan
ekonomi masyarakat yang ditimbulkan akibat kondisi kekeringan. Kekeringan
sosio-ekonomis merupakan dampak dari kekeringan meteorologis, agrikultural, dan
hidrologis.
Tingkat kerawanan terjadinya Karhutla tertinggi terjadi pada musim
kemarau dimana jumlah curah hujan berkurang dan menyebabkan terjadinya
kekeringan sehingga kelembaban udara menurun dan mengurangi kadar air pada
bahan bakar. Kekeringan menjadi salah satu pemicu kejadian Karhutla dan
kemunculan hotspot, oleh karena itu definisi kekeringan yang tepat digunakan yang
berkaitan dengan kejadian Karhutla adalah kekeringan meteorologis. Hal ini
12
14
15
Taman Hutan Raya Sultan Adam memiliki ketinggian 63 s.d. 1373 mdpl
dengan tipe iklim A dan B untuk klasifikasi iklim Schmidt-Ferguson. Tipe
ekosistem pada Taman Hutan Raya Sultan Adam berupa hutan hujan tropis dengan
jenis tanah berupa Podsolik Merah Kuning dan Latosol yang relatif kering dan
rendah unsur hara.
Tabel 3.1 Nama pos hujan di sekitar Taman Hutan Raya Sultan Adam (ZOM 272)
3) Data Hotspot
Data hotspot yang digunakan dalam penelitian ini merupakan data mentah
dari satelit MODIS Aqua-Terra yang dapat diunduh melalui alamat website
http://data.globalforestwatch.org. Data hotspot tersebut memiliki skala waktu
harian yang mencakup seluruh titik kemunculan hotspot di seluruh Indonesia.
berikut:
(Σ𝑌)2
Σ𝑌 2 −
̅̅̅
𝑆 𝑦 =
𝑁
(3.2)
𝑁−1
̅̅̅
dimana : 𝑆 𝑦 = standar deviasi dari data metrik
𝑌 = nilai data metrik
𝑁 = jumlah seluruh data
pernyataan yang berlawanan dengan H0. Jika H0 terbukti signifikan, maka bisa
disimpulkan bahwa H0 diterima.
Tingkat signifikansi adalah ambang batas yang digunakan untuk
menentukan signifikansi. Sebagai aturan umum, tingkat signifikansi ditetapkan
sebesar 0,05, hal ini berarti probabilitas kedua kelompok data tersebut sama hanya
5%. Jika p-value kurang dari atau sama dengan tingkat signifikansi, data tersebut
dianggap signifikan secara statistik.
Tabel 3.3 Kontingensi Jumlah Data Prediksi dan Observasi Tiap Kategori
Observasi
Frekuensi Tidak Jumlah Prediksi
Muncul
Muncul
Muncul A B A+B
Prediksi Tidak
C D C+D
Muncul
Jumlah Observasi A+C B+D N
21
𝐵
𝐹 = 𝐵+𝐷 (3.5)
Gambar 3.3 Perbandingan Kurva Diagram ROC Berdasarkan Sensitivity dan False
Alarm Rate
Apabila ditemukan dua kurva seperti pada Gambar 3.3, meskipun memiliki
nilai AUC dan performance model A dan B sama, keduanya memiliki karakteristik
berbeda jika dilihat dari situasi keputusan yang perlu diambil. Jika situasinya
diperlukan keputusan yang membutuhkan sensitivity tinggi dan mengabaikan
tingkat false alarm, maka model B akan lebih baik digunakan daripada model A,
24
Harian
1 bulanan 3 bulanan 6 bulanan 12 bulanan Bulanan
SPEI1 SPEI3 SPEI6 SPEI12
Menghitung jumlah hotspot bulanan
Validasi Model
Selesai
25
BAB IV
BAB IV HASIL DAN PEMBAHASAN
Dari pengolahan data dapat diperoleh beberapa hasil dan analisis berupa
pola frekuensi kejadian hotspot, evaluasi data hotspot, curah hujan, dan SPEI,
model prediksi hotspot, serta pembahasan secara klimatologis yang diuraikan
dalam sub-sub bab di bawah ini.
26
27
Pada bulan November terjadi penurunan jumlah hotspot yang cukup tajam
sehingga hanya mencapai 16 titik untuk semua kategori tingkat kepercayaan.
Penurunan jumlah hotspot juga terjadi pada bulan Desember dan hanya ditemukan
1 titik hotspot pada bulan tersebut selama periode 2013 s.d. 2017 baik pada kriteria
tingkat kepercayaan di atas 70%, 80%, maupun 90%.
Gambar 4.1 Grafik Perbandingan Frekuensi Kejadian Hotspot Dan Curah Hujan
Bulanan Di Taman Hutan Raya Sultan Adam Periode 2013-2017
Jika dibandingkan dengan pola curah hujan ZOM 272 yang mewakili pola
curah hujan Taman Hutan Raya Sultan Adam, frekuensi kejadian jumlah hotspot
bulanan tampak memiliki pola yang berkebalikan, seperti yang dapat dilihat pada
Gambar 4.1. Pada bulan Januari hingga Maret ketika curah hujan bulanan tinggi
yakni mencapai lebih dari 250 mm, tidak ada hotspot yang muncul. Sebaliknya, saat
curah hujan rendah hingga mencapai kurang dari 100 mm pada bulan Agustus
hingga Oktober, jumlah hotspot justru meningkat. Terutama pada bulan September
yang merupakan puncak jumlah hotspot yang muncul, sementara rata-rata curah
28
hujan pada bulan tersebut sangat kecil dibandingkan bulan lain, yakni hanya 74,3
mm selama periode 2013 s.d. 2017.
Gambar 4.2 Grafik Perbandingan Frekuensi Kejadian Hotspot Dan SPEI Bulanan
di Taman Hutan Raya Sultan Adam Periode 2013-2017
Pola indeks SPEI rata-rata bulanan pada periode 2013 s.d. 2017 di Taman
Hutan Raya Sultan Adam juga memiliki pola yang berkebalikan dengan frekuensi
kejadian jumlah hotspot bulanan seperti pada Gambar 4.2. Indeks SPEI memiliki
nilai positif dengan rentang antara 0 s.d. 0,2 yang menunjukkan kondisi basah
(surplus curah hujan) yang diikut dengan jumlah hotspot bulanan yang rendah
kurang dari 10 titik tiap bulannya pada bulan Januari hingga Juli. Sementara itu,
pada bulan Agustus hingga Oktober indeks SPEI mengalami penurunan dan
memiliki nilai negatif dengan rentang antara -0.4 s.d. 0 yang menunjukkan kondisi
kering (defisit curah hujan), terutama pada bulan Oktober yang memiliki indeks
SPEI terendah yakni mencapai -0.4. Pada saat yang sama, justru jumlah hotspot
mengalami peningkatan secara tajam, berkebalikan dengan pola SPEI.
Indeks SPEI mulai meningkat kembali dengan rentang nilai -0.35 s.d. -0.3
pada bulan November hingga Desember. Meskipun masih berada pada nilai SPEI
29
negatif, namun pola jumlah hotspot mulai menurun secara tajam sehingga mencapai
kurang dari 20 titik saja.
Dari analisis pola frekuensi kejadian hotspot, curah hujan, dan SPEI dapat
diketahui bahwa hotspot di Taman Hutan Raya Sultan Adam muncul pada awal
musim kemarau dan meningkat secara tajam pada akhir musim kemarau dimana
kondisi curah hujan rendah dan indeks SPEI negatif. Sementara itu, jumlah hotspot
di Taman Hutan Raya Sultan Adam sangat kecil dan hampir tidak ada sepanjang
musim hujan saat kondisi curah hujan tinggi dan indeks SPEI positif selama periode
2013 s.d. 2017.
Tabel 4.1 Korelasi Point-Biserial Variabel Hotspot dengan SPEI dan Curah Hujan
Secara Simultan
Kategori Kategori
Korelasi Korelasi
Hotspot SPEI Hotspot Curah Hujan
Confidence 80% 1 bulanan -0.31 Confidence 80% 1 bulanan -0.72
Confidence 80% 3 bulanan -0.44 Confidence 80% 3 bulanan -0.75
Confidence 80% 6 bulanan -0.20 Confidence 80% 6 bulanan -0.36
Confidence 80% 12 bulanan -0.01 Confidence 80% 12 bulanan -0.29
Confidence 90% 1 bulanan -0.31 Confidence 90% 1 bulanan -0.72
Confidence 90% 3 bulanan -0.44 Confidence 90% 3 bulanan -0.75
Confidence 90% 6 bulanan -0.20 Confidence 90% 6 bulanan -0.36
Confidence 90% 12 bulanan -0.01 Confidence 90% 12 bulanan -0.29
Tabel 4.2 Korelasi Point-Biserial Variabel Hotspot dengan Curah Hujan dan SPEI
dengan Lag 1 bulan
Kategori Korelasi Kategori Korelasi
Hotspot SPEI Hotspot Curah Hujan
Confidence 80% 1 bulanan -0.35 Confidence 80% 1 bulanan -0.68
Confidence 80% 3 bulanan -0.31 Confidence 80% 3 bulanan -0.51
Confidence 80% 6 bulanan -0.01 Confidence 80% 6 bulanan -0.06
Confidence 80% 12 bulanan 0.04 Confidence 80% 12 bulanan -0.19
Confidence 90% 1 bulanan -0.35 Confidence 90% 1 bulanan -0.68
Confidence 90% 3 bulanan -0.31 Confidence 90% 3 bulanan -0.51
Confidence 90% 6 bulanan -0.01 Confidence 90% 6 bulanan -0.06
Confidence 90% 12 bulanan 0.04 Confidence 90% 12 bulanan -0.19
indeks SPEI 3 bulanan untuk pengolahan data simultan. Data tersebut kemudian
diolah dengan metode Regresi Logistik Biner untuk menghasilkan Model Regresi
Logistik Biner Hotspot, dengan variabel respon berupa data hotspot dan prediktor
berupa data curah hujan dan indeks SPEI. Adapun hasil model Regresi Logistik
Biner untuk pengolahan data simultan dapat dilihat pada Tabel 4.3.
Tabel 4.3 Hasil Model Regresi Logistik Biner Untuk Pengolahan Data Simultan
Odds 95% CI
Predictor Variable Coef SE Coef Z P
Ratio Lower Upper
Curah Hujan 3 Constant 5.70678 1.5786 3.62 0
Bulanan Simultan CH 3 -0.0298 0.00753 -3.96 0 0.97 0.96 0.99
SPEI 3 Bulanan Constant -0.5646 0.2999 -1.88 0.06
Simultan SPEI 3 -1.2766 0.40765 -3.13 0.002 0.28 0.13 0.62
Dari tabel tersebut dapat diperoleh persamaan regresi logistik biner untuk
peluang kemunculan hotspot secara simultan pada setiap prediktor terpilih sebagai
berikut:
1) Peluang untuk prediktor curah hujan 3 bulanan
exp(5.69718−0.0297232𝑥)
𝑃̂ = 1+exp(5.69718−0.0297232𝑥) (4.1)
Tabel 4.4 Hasil Model Regresi Logistik Biner Untuk Pengolahan Data Lag 1
Odds 95% CI
Predictor Variable Coef SE Coef Z P
Ratio Lower Upper
Curah Hujan 1 Constant 3.39509 0.92347 3.68 0
Bulanan Lag 1 CH 1 LAG -0.0194 0.00469 -4.14 0 0.98 0.97 0.99
SPEI 1 Bulanan Constant -0.5016 0.29014 -1.73 0.084
Lag 1 Bulan SPEI 1 LAG -0.8353 0.32746 -2.55 0.011 0.43 0.23 0.82
Dari tabel tersebut dapat diperoleh persamaan regresi logistik biner untuk
peluang kemunculan hotspot dengan lag 1 pada setiap prediktor terpilih sebagai
berikut:
1) Peluang untuk prediktor curah hujan 1 bulanan
exp( 3.39509 −0.0194331𝑥)
𝑃̂ = 1+exp(3.39509 −0.0194331𝑥) (4.3)
Tingkat kehandalan dari keempat model tersebut dapat dilihat dari nilai p-
value, jika nilai p-value kurang dari 0,05, maka model tersebut dapat dikatakan
handal atau dapat dipercaya. Adapun nilai p-value dari keempat model tersebut
terlihat pada Tabel 4.5. Dari tabel tersebut terlihat bahwa model yang digunakan
cukup handal pada masing-masing prediktor.
Persamaan yang diperoleh dari pengolahan model regresi logistik biner di
atas diaplikasikan pada prakiraan kemunculan hotspot dimana nilai threshold
probabilitasnya ditentukan sebesar 0,5. Prakiraan tersebut juga menggunakan data
prediktor terpilih pada periode 2013 s.d. 2017 yang kemudian dibandingkan dengan
data observasi kemunculan hotspot pada periode yang sama.
Untuk perbandingan prediksi hotspot menggunakan prediktor curah hujan 3
bulanan yang diolah secara simultan terhadap data observasi kemunculan hotspot
dapat dilihat pada Tabel 4.6. Dari tabel tersebut terlihat bahwa terdapat 10 data
prediksi yang tidak sesuai dengan data observasi dari jumlah total 60 data. Data
yang diprediksikan muncul hotspot namun pada data observasi tidak muncul
hotspot berjumlah 5 data. Sedangkan, data yang diprediksikan muncul hotspot
namun pada data observasi tidak muncul hotspot juga berjumlah 5 data. Hal ini
menunjukkan prediktor curah hujan 3 bulanan secara simultan cukup baik dalam
memprediksi kemunculan hotspot bulanan dengan tingkat keberhasilan prediksi
mencapai 83,3%.
Ada 19 5 24
Prediksi
Tidak Ada 5 31 36
Jumlah Observasi 24 36 60
34
Ada 0 0 0
Prediksi
Tidak Ada 24 36 60
Jumlah Observasi 24 36 60
tingkat keberhasilan prediksinya yang tinggi yakni mencapai 91,7% dari seluruh
data.
Ada 22 3 25
Prediksi
Tidak Ada 2 33 35
Jumlah Observasi 24 36 60
Ada 13 13 26
Prediksi
Tidak Ada 11 23 34
Jumlah Observasi 24 36 60
Ada 22 7 29
Prediksi
Tidak Ada 2 29 31
Jumlah Observasi 24 36 60
Ada 21 6 27
Prediksi
Tidak Ada 3 30 33
Jumlah Observasi 24 36 60
38
Ada 18 3 21
Prediksi
Tidak Ada 6 33 39
Jumlah Observasi 24 36 60
Ada 17 2 19
Prediksi
Tidak Ada 7 34 41
Jumlah Observasi 24 36 60
mendekati 1. Hal menunjukkan bahwa secara umum hasil validasi model cukup
bagus.
Ada 10 4 14
Prediksi
Tidak Ada 14 32 46
Jumlah Observasi 24 36 60
Ada 9 3 12
Prediksi
Tidak Ada 15 33 48
Jumlah Observasi 24 36 60
Diagram ROC untuk model dengan prediktor SPEI 3 bulanan simultan dapat
dilihat pada Gambar 4.4. Kurva diagram ROC bergerak diatas garis diagonal
sehingga memiliki nilai AUC lebih besar dari 0,5. Namun, apabila dibandingkan
dengan diagram ROC dari model dengan prediktor curah hujan 3 bulanan simultan,
model ini memiliki performance model yang lebih rendah berdasarkan luasan AUC
diagram ROC-nya. Model ini juga memiliki tingkat sentivity yang lebih rendah
dilihat dari pergerakan nilai hit rate-nya.
41
Ada 22 4 26
Prediksi
Tidak Ada 2 32 34
Jumlah Observasi 24 36 60
Ada 21 3 24
Prediksi
Tidak Ada 3 33 36
Jumlah Observasi 24 36 60
Diagram ROC untuk model dengan prediktor curah hujan 1 bulanan lag 1
dapat dilihat pada Gambar 4.5. Kurva diagram ROC bergerak diatas garis diagonal
sehingga memiliki nilai AUC lebih besar dari 0,5 dan hamper mendekati 1. Jika
dibandingkan dengan diagram ROC model-model sebelumnya, secara umum
terlihat bahwa model ini memiliki tingkat performance yang baik berdasarkan
luasan AUC-nya, sama halnya dengan prediktor curah hujan 3 bulanan. Namun,
jika pergerakan kurva ROC keduanya dibandingkan, dapat terlihat bahwa model
dengan prediktor curah hujan 3 bulanan memiliki sensitivity yang lebih tinggi
daripada model dengan prediktor curah hujan 1 bulanan lag 1.
43
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
FALSE ALARM RATE (FAR)
Ada 10 2 12
Prediksi
Tidak Ada 14 34 48
Jumlah Observasi 24 36 60
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
FALSE ALARM RATE (FAR)
4.4. Pembahasan
4.4.1 Hubungan Pola Kemunculan Hotspot dengan Curah Hujan dan SPEI
Berdasarkan uraian pada sub bab 4.1 dapat dilihat kecenderungan perbedaan
frekuensi kemunculan hotspot yang signifikan antara periode musim kemarau dan
musim hujan. Frekuensi kemunculan hotspot maksimum terjadi pada musim
kemarau yakni bulan September, sementara untuk frekuensi kemunculan hotspot
minimum terjadi pada musim hujan yakni bulan Januari hingga Maret. Oleh karena
itu, pada bulan-bulan kering seperti Agustus hingga Oktober menjadi bulan-bulan
berbahaya atau rawan Karhutla. Hal ini sesuai dengan pernyataan Solichin (2004)
dalam Saharjo dan Velicia (2018) yang mengatakan bahwa jumlah hotspot
dipengaruhi oleh musim kemarau, jika semakin kering suatu daerah maka jumlah
hotspot akan meningkat, dan sebaliknya.
Berdasarkan analisis pola kemunculan hotspot yang dikaitkan dengan pola
curah hujan dan SPEI, dapat dikatakan bahwa pola kemunculan hotspot dipengaruhi
oleh pola curah hujan dan SPEI. Pada Gambar 4.1 dan 4.2 terlihat bahwa pola
kemunculan hotspot memiliki hubungan yang berbanding terbalik, baik dengan
pola curah hujan maupun dengan indeks SPEI. Seperti yang sudah diuraikan
sebelumnya, bahwa frekuensi kemunculan hotspot maksimum terjadi pada musim
kemarau, dimana jumlah curah hujan berkurang dengan tajam, terutama pada bulan
September. Pada bulan tersebut, frekuensi kejadian kemunculan hotspot berada
pada puncak maksimum, sementara jumlah curah hujan berada pada puncak
minimum. Sebaliknya, frekuensi kejadian hotspot minimum terjadi pada musim
hujan dimana pada musim tersebut terjadi surplus jumlah curah hujan. Hal ini
sejalan dengan teori yang dikemukakan oleh Sukmawati (2006) bahwa
meningkatnya tingkat kerawanan Karhutla terjadi pada musim kemarau dengan
intensitas curah hujan rendah yang umumnya terjadi bulan Juni hingga November.
Frekuensi kemunculan hotspot maksimum yang terjadi pada musim
kemarau juga diikuti dengan pola indeks SPEI yang berada pada nilai negatif, yang
menunjukkan bahwa kondisi pada bulan tersebut berada pada kategori kering. Hal
tersebut berkebalikan pada musim hujan, dimana frekuensi kemunculan hotspot
minimum diikuti dengan pola indeks SPEI yang bernilai positif yang menunjukkan
46
bahwa kondisi pada bulan tersebut berada pada kategori basah. Kondisi ini sesuai
dengan pernyataan Marcos dkk. (2015) bahwa pentingnya periode kering dengan
nilai SPEI negatif berperan dalam produksi biomass (bahan bakar) Karhutla,
sedangkan periode basah dengan nilai SPEI positif berperan meningkatkan
pertumbuhan vegetasi yang berarti mengurangi biomass Karhutla.
Hubungan frekuensi kemunculan hotspot dengan pola curah hujan dan SPEI
yang berkebalikan ini sesuai dengan pendapat Septicorini (2006) yang memaparkan
bahwa kondisi kering sangat menentukan indikasi bahaya Karhutla. Kondisi kering
(kekeringan) menyebabkan kadar air berkurang sehingga mengurangi kelembaban
vegetasi dan meningkatkan jumlah biomass (bahan bakar) Karhutla. Peran kadar air
sangat penting sebagai indikasi awal kekeringan dan indikator lanjutan bahaya
Karhutla. Panjang periode kondisi kekeringan juga berpengaruh dalam menentukan
seberapa banyak jumlah hotspot yang muncul yang kemudian menentukan seberapa
panjang dan seberapa hebat Karhutla terjadi.
Prediktor terbaik juga dapat dilihat dari performance dan sensitivity model
yang ditunjukkan oleh diagram ROC pada sub bab 4.3 bagian validasi model.
Prediktor curah hujan 3 bulanan simultan dan prediktor curah hujan 1 bulanan lag
1 memiliki performance terbaik dilihat dari kurva ROC dengan luasan AUC yang
sama yakni mendekati 1. Namun dalam memprediksi kemunculan hotspot,
prediktor curah hujan 3 bulanan simultan lebih baik digunakan daripada prediktor
curah hujan 1 bulanan lag 1.
Model dengan prediktor curah hujan 3 bulanan simultan memiliki hit rate
yang lebih tinggi daripada prediktor curah hujan 1 bulanan lag 1, dilihat dari kurva
ROC yang mencapai hitrate bernilai 1 pada false alarm rate yang lebih rendah
dibandingkan dengan kurva ROC curah hujan 1 bulanan lag 1. Hal ini menunjukkan
bahwa model dengan prediktor curah hujan 3 bulanan simultan memiliki sensitivity
yang lebih tinggi dengan frekuensi kejadian false alarm yang lebih kecil sehingga
hasil prediksi model tersebut memiliki sifat meminimalisir prediksi yang dianggap
tidak terjadi namun kenyataannya terjadi. Dalam kasus kemunculan hotspot yang
merupakan indikasi bencana Karhutla, model yang diperlukan adalah model yang
menurunkan resiko bencana, hal ini berarti model yang meminimalisir tingkat
kesalahan dalam memprediksi kemunculan hotspot lebih diutamakan. Oleh karena
itu, prediktor curah hujan 3 bulanan simultan lebih baik dalam memprediksi
kemunculan hotspot daripada curah hujan 1 bulanan lag 1. Pemilihan model terbaik
48
ini sesuai dengan teori yang dikemukakan Park dkk. (2004) yang menjelaskan
tentang performance model dengan nilai AUC yang sama dapat memiliki
karakteristik yang berbeda.
Kesimpulan
Berdasarkan hasil penelitian dan analisis yang telah dilakukan pada bab
sebelumnya, maka dapat diperoleh kesimpulan sebagai berikut:
1. Pola frekuensi kejadian hotspot pada setiap musim di Taman Hutan Raya
Sultan Adam memiliki jumlah tertinggi mencapai 312 titik pada confidence di
atas 80% dan 70% serta 311 titik pada confidence di atas 90% yang terjadi pada
akhir musim kemarau yakni pada bulan SON (September-Oktober-November).
Untuk jumlah terendah hanya terdapat 1 titik di semua kriteria confidence
terjadi pada awal musim hujan yakni pada bulan DJF (Desember-Januari-
Februari).
2. Frekuensi kejadian kemunculan hotspot di Taman Hutan Raya Sultan Adam
secara simultan paling dipengaruhi oleh curah hujan 3 bulanan dan memiliki
nilai korelasi paling tinggi yakni -0.75. Pengolahan data dengan lag 1 bulan
menunjukkan bahwa prediktor terbaik adalah curah hujan 1 bulanan dengan
nilai korelasi tertinggi mencapai -0.68. Dari hal tersebut menunjukkan bahwa
variabel curah hujan lebih baik dalam memprediksi kemunculan hotspot
daripada variabel indeks kekeringan SPEI.
3. Dari keempat model prediksi kemunculan hotspot, semuanya memiliki tingkat
kehandalan yang baik dengan nilai p-value kurang dari 0,05. Dilihat dari tabel
kontingensi perbandingan prediksi kemunculan hotspot dengan data observasi,
model terbaik adalah model dengan prediktor curah hujan 1 bulanan dengan
lag 1 bulan. Hal ini juga didukung dari hasil validasi model dengan nilai
jumlah hits dan correct rejection tertinggi terjadi pada model dengan prediktor
curah hujan 1 bulanan dengan lag 1 bulan sebanyak 54 kejadian. Jika dilihat
dari diagram ROC, model yang memiliki performance dan sensitivity terbaik
adalah model dengan prediktor curah hujan 3 bulanan dengan simultan.
49
50
Saran
Berdasarkan hasil dan analisis penelitan ini, diperoleh beberapa saran untuk
penelitian lebih lanjut mengenai pemodelan kemunculan hotspot dengan variabel
curah hujan maupun SPEI, antara lain:
1. Diperlukan domain wilayah penelitian yang lebih luas untuk dapat menangkap
dampak kekeringan yang lebih baik.
2. Dalam penelitian selanjutnya dapat dihitung batas kekeringan dan defisit curah
hujan minimal yang dialami yang mampu memicu hotspot sebagai langkah
selanjutnya untuk peringatan dini Karhutla.
3. Diperlukan parameter lain dalam memprediksi hotspot secara akurat, seperti
luas area terbakar, tipe vegetasi, tingkat ketersediaan biomass (bahan bakar)
Karhutla, dan tata guna lahan.
DAFTAR PUSTAKA
Begueria, S., Vicente-Serrano, S. M., Reig, F., dan Latorre, B., 2014, Standardized
Precipitation Evaporation Index (SPEI) Revisited: Parameter Fitting,
Evapotraspiration Models, Tools, Datasets, and Drought Monitoring,
International Journal of Climatology, Halaman 3002-3023.
Bradley, A. P., 1997, The Use of The Area Under The ROC Curve in The
Evaluation of Machine Learning Algorithms, Pattern Recognition, Volume
30, Halaman 1145-1159.
Brown, J. D., 2001, Point-Biserial Correlation Coefficients, Shiken: JLT Testing &
Evolution SIG Newsletter.5, Volume 3, Halaman 13-17.
Chen, F., Niu, S., Tong, X., Zhao, J., Sun, Y., dan He, T., 2014, The Impact of
Precipitation Regimes on Forest Fires in Yunnan Province, Southwest
China. The Scientific World Journal, Volume 2014.
Endrawati, 2016, Analisis Data Titik Panas (Hotspot) dan Areal Kebakaran Hutan
dan Lahan Tahun 2016, Direktorat Inventarisasi dan Pemantauan Sumber
Daya Hutan, Direktorat Jenderal Planologi Kehutanan dan Tata
Lingkungan, Kementrian Lingkungan Hidup dan Kehutanan, Jakarta.
Gudmundsson, L., Rego, F. C., dan Seneviratne, S.I., 2014, Predicting Above
Normal Wildfire Activity in Southern Europe as A Function of
Meteorological Drought. Environmental Research Letter, Volume 9.
51
Kementrian Lingkungan Hidup dan Kehutanan, 2016, Peraturan Menteri
Lingkungan Hidup dan Kehutanan Republik Indonesia No.
P.32/MenLHK/Setjen/Kum.1/3/2016 Tentang Pengendalian Kebakaran
Hutan dan Lahan, Kementrian Lingkungan Hidup dan Kehutanan, Jakarta.
52
52
Kleinbaum, D. G., dan Klein, M., 2010, Logistic Regression A Self-Learning Text
Third Edition, Springer Science, New York.
Kornbrot, D., 2005, Point Biserial Correlation, Wiley StatsRef: Statistics Reference
Online, John Wiley & Sons Ltd., New Jersey.
Kumar, R., dan Indrayan, A., 2011, Receiver Operating Characteristic (ROC) Curve
for Medical Research, Indian Pediatrics, Volume 48.
Lo, F., dan Wheeler, M. C., 2007, Probabilistic Forecast of the Onset of the North
Australian Wet Season, Monthly Weather Review, Volume 135.
Marcos, R., Turco, M., Bedia, J., Llasat, M. C., dan Provenzale, A., 2015, Seasonal
Predictability of Summer Fires in a Mediterranean Environment,
International Journal of Wildland Fire. Halaman 1077-1084.
Marin, P. G., Julio, C. J., Arturo, R. T. D., dan Jose, V. N. D., 2017. Drought
Spatiotemporal Variability of Forest Fire Across Mexico, Chinese
Geographical Science.
McKee, T. B., Doesken, N. J., dan Kleist J., 1993, The Relationship of Drought
Frequency and Duration to Time Scale, Eight Conference on Applied
Climatology, Colorado State University, California.
Park, S. H., Goo, J. M., dan Jo, C. H., 2004, Receiver Operating Characteristic
(ROC) Curve: Practical Review for Radiologists, Korean Journal
Radiology, Volume 5, Halaman 11-18.
Saharjo, B. H., danVelicia, W. A., 2018, Peran Curah Hujan Terhadap Penurunan
Hotspot Kebakaran Hutan dan Lahan di Empat Provinsi di Indonesia pada
Tahun 2015-2016, Jurnal Silvikulturan Tropika, Volume 9.
Saputra, W., Rosnita, dan Yulida, R., 2017, Peran Kelompok Tani dan Masyarakat
Peduli Api (MPA) dalam Mengelola dan Mencegah Kebakaran Lahan di
Kecamatan Bukit Batu Kabupaten Bengkalis, Jurnal Agribisnis, Volume
19, Halaman 60-63.
Sukmawati, A., 2006, Hubungan Antara Curah Hujan dengan Titik Panas (Hotspot)
sebagai Indikator Terjadinya Kebakakaran Hutan dan Lahan di Kabupaten
Pontianak Propinsi Kalimantan Barat, Skripsi, Intitut Pertanian Bogor,
Bogor.
53
Tjasyono, B., 2004, Klimatologi Edisi Ke-2, Institut Teknologi Bandung, Bandung.
Trenberth, K. E., Dal, A., van der Schrier, G., Jones, P. D., Barichivich, J., Briffa,
K. R., dan Sheffield, J., 2013, Global Warming and Changes in Drought,
Nature Climate Change, Halaman 17-22.
Van der Schrier, G., Jones, P. D., dan Briffa, K. R., 2011, The Sensitivity of the
PDSI to the Thornthwaite and Penman-Monteith Parameterizations for
Potential Evapotranspiration, Journal of Geophysical Research, Volume
116.
Wilhite, D. A., dan Glantz, M. H., 1985, Understanding the Drought Phenomenon:
The Role of Definition, Water International, Volume 10.
Response Information
Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant 5.70678 1.57860 3.62 0.000
CH 3 -0.0297751 0.0075276 -3.96 0.000 0.97 0.96 0.99
Log-Likelihood = -18.270
Test that all slopes are zero: G = 44.222, DF = 1, P-Value = 0.000
Goodness-of-Fit Tests
Method Chi-Square DF P
Point-Biserial 39.1770 58 0.973
Deviance 36.5397 58 0.988
Hosmer-Lemeshow 5.2665 8 0.729
Group
Value 1 2 3 4 5 6 7 8 9 10 Total
1
Obs 0 0 0 0 2 3 2 6 5 6 24
Exp 0.0 0.1 0.2 0.5 1.2 2.0 3.3 5.2 5.6 5.9
0
Obs 6 6 6 6 4 3 4 0 1 0 36
Exp 6.0 5.9 5.8 5.5 4.8 4.0 2.7 0.8 0.4 0.1
Total 6 6 6 6 6 6 6 6 6 6 60
Measures of Association:
(Between the Response Variable and Predicted Probabilities)
54
55
Response Information
Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant -0.564594 0.299899 -1.88 0.060
SPEI 3 -1.27663 0.407649 -3.13 0.002 0.28 0.13 0.62
Log-Likelihood = -34.222
Test that all slopes are zero: G = 12.318, DF = 1, P-Value = 0.000
Goodness-of-Fit Tests
Method Chi-Square DF P
Point-Biserial 58.0874 58 0.472
Deviance 68.4432 58 0.164
Hosmer-Lemeshow 8.5864 8 0.378
Group
Value 1 2 3 4 5 6 7 8 9 10 Total
1
Obs 0 2 1 1 2 4 3 2 3 6 24
Exp 0.7 1.1 1.4 1.6 1.9 2.2 2.6 3.5 4.1 4.8
0
Obs 6 4 5 5 4 2 3 4 3 0 36
Exp 5.3 4.9 4.6 4.4 4.1 3.8 3.4 2.5 1.9 1.2
Total 6 6 6 6 6 6 6 6 6 6 60
Measures of Association:
(Between the Response Variable and Predicted Probabilities)
Response Information
Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant 3.39509 0.923466 3.68 0.000
CH 1 LAG -0.0194331 0.0046932 -4.14 0.000 0.98 0.97 0.99
Log-Likelihood = -22.318
Test that all slopes are zero: G = 35.092, DF = 1, P-Value = 0.000
Goodness-of-Fit Tests
Method Chi-Square DF P
Point-Biserial 80.1353 57 0.023
Deviance 44.6360 57 0.883
Hosmer-Lemeshow 18.7987 8 0.016
Group
Value 1 2 3 4 5 6 7 8 9 10 Total
1
Obs 1 0 0 0 1 3 3 5 5 6 24
Exp 0.1 0.2 0.3 0.6 1.3 2.1 4.1 4.5 5.1 5.7
0
Obs 4 6 6 6 5 3 3 1 1 0 35
Exp 4.9 5.8 5.7 5.4 4.7 3.9 1.9 1.5 0.9 0.3
Total 5 6 6 6 6 6 6 6 6 6 59
Measures of Association:
(Between the Response Variable and Predicted Probabilities)
Response Information
Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant -0.501640 0.290136 -1.73 0.084
SPEI 1 LAG -0.835349 0.327460 -2.55 0.011 0.43 0.23 0.82
Log-Likelihood = -36.142
Test that all slopes are zero: G = 7.445, DF = 1, P-Value = 0.006
Goodness-of-Fit Tests
Method Chi-Square DF P
Point-Biserial 58.3290 57 0.426
Deviance 72.2838 57 0.084
Hosmer-Lemeshow 10.4709 8 0.234
Group
Value 1 2 3 4 5 6 7 8 9 10 Total
1
Obs 0 2 3 3 1 1 3 2 3 6 24
Exp 0.8 1.3 1.6 1.8 2.1 2.4 2.9 3.3 3.7 4.2
0
Obs 5 4 3 3 5 5 3 4 3 0 35
Exp 4.2 4.7 4.4 4.2 3.9 3.6 3.1 2.7 2.3 1.8
Total 5 6 6 6 6 6 6 6 6 6 59
Measures of Association:
(Between the Response Variable and Predicted Probabilities)