Pemodelan Kebakaran Hutan Di Provinsi Riau

TUGAS AKHIR – SS141501
PEMODELAN KEBAKARAN HUTAN DI PROVINSI RIAU

DENGAN METODE GEOGRAPHICALLY-TEMPORALLY
WEIGHTED REGRESSION
SYAHRUL EKA ADI LAKSANA

NRP 062114 4000 0034
Dosen Pembimbing
Dr. Sutikno, S.Si, M.Si
Dr. Bambang Widjanarko Otok, S.Si, M.Si
PROGRAM STUDI SARJANA

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA 2018
i
ii
HALAMAN JUDUL
TUGAS AKHIR – SS141501

WEIGHTED REGRESSION

NRP 062114 4000 0034
Dosen Pembimbing
PROGRAM STUDI SARJANA

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA
SURABAYA 2018
iii
(Halaman ini sengaja di kosongkan)
iv
FINAL PROJECT – SS141501
MODELING OF FOREST FIRE IN RIAU PROVINCE

USING GEOGRAPHICALLY - TEMPORALLY WEIGHTED
REGRESSION

SN 062114 4000 0034
Supervisor
UNDERGRADUATE PROGRAMME
DEPARTMENT OF STATISTICS
FACULTY OF MATHEMATICS, COMPUTING, AND DATA SCIENCE
SURABAYA 2018
v
vi
LEMBAR PENGESAHAN

WEIGHTED REGRESSION
TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
pada
Program Studi Sarjana Departemen Statistika
Fakultas Matematika, Komputasi, dan Sains Data
Institut Teknologi Sepuluh Nopember
Oleh :
Syahrul Eka Adi Laksana
NRP. 062114 4000 0034
Disetujui oleh Pembimbing :

Dr. Sutikno, S.Si, M.Si ( )
NIP. 19710313 199702 1 001
Dr. Bambang Widjanarko Otok, S.Si, M,Si ( )

NIP. 19681124 199412 1 001
Mengetahui
Kepala Departemen
Dr. Suhartono
NIP. 19710929 199512 1 001
SURABAYA, JULI 2018
vii
viii
WEIGHTED REGRESSION
Nama Mahasiswa : Syahrul Eka Adi Laksana

NRP : 06211440000034
Departemen : Statistika
Dosen Pembimbing : Dr. Sutikno, S.Si, M.Si
Dr. Bambang W. Otok, S.Si, M.Si
Abstrak
Kebakaran hutan merupakan masalah serius yang dihadapi pada
permasalahan pencemaran udara masa kini. Intensitas kebakaran
hutan di Indonesia kini semakin meningkat. Dampak yang
ditimbulkan bukan hanya pencemaran udara, namun juga pada
perekonomian masyarakat Indonesia. Dampak ekonomi kebakaran
hutan tahun 2015 lebih besar jika dibanding dengan kebakaran
hutan tahun 1997, padahal luas hutan yang terbakar lebih kecil.
Pada penelitian ini dilakukan untuk mengetahui pengaruh faktor-
faktor alam yang diduga mempengaruhi kebakaran hutan di
Provinsi Riau. Metode yang digunakan adalah Geographically-
Temporally Weighted Regression (GTWR). Metode ini digunakan
karena mempertimbangkan heterogenitas spasial dan temporal.
Hasil penelitian menyimpulkan bahwa kebakaran hutan Provinsi
Riau kebanyakan terjadi di daerah Riau bagian utara yaitu
Kabupaten Rokan Hilir, Bengkalis, dan Kepulauan Meranti dengan
luas kebakaran rata-rata 160.000 hingga 300.000 Ha. Hasil
prediksi kebakaran hutan dengan metode GTWR lebih akurat
daripada metode regresi linier berganda karena nilai R 2-nya lebih
tinggi dan MSE yang lebih kecil.
Kata Kunci : El-Nino, GTWR, Kebakaran Hutan, Riau.
ix
x
MODELING OF FOREST FIRE IN RIAU PROVINCE
USING GEOGRAPHICALLY-TEMPORALLY WEIGHTED
REGRESSION
Name : Syahrul Eka Adi Laksana

Student Number : 06211440000034
Department : Statistika
Supervisor : Dr. Sutikno, S.Si, M.Si
Dr. Bambang W. Otok, S.Si, M.Si
Abstract
Forest fires are a serious problem in contemporary area pollution.
Now, the intensity of forest fires in Indonesia is increasing. The
impact is not only air pollution, but also on the economy of
Indonesian society. The impact of the forest fires disaster in 2015 is
greater than 1997 forest fires, whereas the forest area is smaller.
The aim of this research is determining the effect of natural factors
that alleged the affect of forest fires in Riau Province. One method
used is Geographically-Temporally Weighted Regression (GTWR)
because this method can consider spatial and temporal heterogenity.
The results of this research concluded that Riau forest fires mostly
occur in the northern part of Riau Province, namely Rokan Hilir,
Bengkalis, and Kepulauan Meranti Regency with an average fire
area is 160.000 until 300.000 Hectare. The prediction result of forest
fires by GTWR method is more accurate than multiple linear
regression because its R2 value is higher and MSE value is smaller.
Keywords : El-Nino, GTWR, Forest Fire, Riau.
xi
xii
KATA PENGANTAR
Puji syukur penulis panjatkan atas kehadirat Tuhan Yang Maha

Esa yang telah melimpahkan segala rahmat dan hidayah-Nya,
sehingga atas ijin-Nya Tugas Akhir ini dapat diselesaikan dengan
baik.
Terlaksananya pembuatan Tugas Akhir tidak lepas dari
bantuan, bimbingan, serta dukungan dari berbagai pihak. Oleh
karena itu, penulis ingin mengucapkan terima kasih yang sebesar-
besarnya kepada:
1. Bapak Dr. Sutikno, M.Si dan Bapak Dr. Bambang Widjanarko
Otok, S.Si, M.Si selaku dosen pembimbing terbaik bagi “anak-
anak” nya yang tak pernah lelah untuk selalu memberikan
motivasi serta saran yang membangun dalam proses Tugas Akhir.
2. Bapak Dr. Purhadi, M.Sc dan Ibu Dr. Santi Wulan Purnami, S.Si,
M.Si selaku dosen penguji yang selalu sabar dalam
mengomentari serta memberikan ide untuk penyelesaian Tugas
Akhir
3. Bapak Prof. Drs. Nur Iriawan, MIKomp, PhD selaku dosen wali
yang selalu memberikan saran serta pengajaran selama berada di
Institut Teknologi Sepuluh Nopember
4. Seluruh dosen dan karyawan Departemen Statistika ITS atas ilmu
dan pengalaman yang dibagikan kepada penulis.
5. Ayah, Ibu, Adik, dan seluruh keluarga yang selalu
mendampimpingi, memberikan semangat, serta memberikan doa
disetiap sujudnya.
6. Keluarga ∑25, Statistika ITS angkatan 2014, angkatan yang
R∑SPECT satu sama lain, angkatan yang haus dalam menikmati
indahnya ciptaan Tuhan di seluruh Nusantara.
7. Arek-arek Lumajang, Kontrakan Kimcil, yang telah menjadi
teman serta sahabat selama berada di Surabaya. Sukses Bro!
8. Para pendaki R∑SPECT, sahabat penikmat alam Indonesia. Ayo
seven summit Indonesia!
xiii
9. Keluarga Astra1st di seluruh Indonesia, teman baru seperjuangan
yang keren yang selalu memberikan saran serta dukungan dalam
pengembangan diri.
10.Semua teman, relasi dan berbagai pihak yang tidak bisa penulis
sebutkan namanya satu persatu yang telah membantu dalam
penulisan laporan ini.
Penulis berharap Tugas Akhir ini dapat memberikan
sumbangan yang bermanfaat bagi masyarakat dan bagi ilmu
pengetahuan. Penulis menyadari bahwa dalam penulisan dan penyu-
sunan Laporan Tugas Akhir ini masih banyak kekurangan dan kele-
mahan, oleh karena itu penulis mengharapkan saran dan kritik yang
membangun.
Surabaya, Juli 2018
Penulis
xiv
DAFTAR ISI
Halaman
HALAMAN JUDUL........................................................................i
LEMBAR PENGESAHAN..........................................................vii
ABSTRAK......................................................................................ix
ABSTRACT...................................................................................xi
KATA PENGANTAR.................................................................xiii
DAFTAR ISI.................................................................................xv
DAFTAR GAMBAR..................................................................xvii
DAFTAR TABEL........................................................................xix
DAFTAR LAMPIRAN...............................................................xxi
BAB I PENDAHULUAN
1.1 Latar Belakang ........................................................................ 1
1.2 Rumusan Masalah ................................................................... 4
1.3 Tujuan ..................................................................................... 4
1.4 Manfaat ................................................................................... 4
1.5 Batasan Masalah ..................................................................... 4
BAB II TINJAUAN PUSTAKA
2.1 Statistika Deskriptif ................................................................. 5
2.2 Model Regresi ......................................................................... 5
2.2.1 Regresi Linier Berganda .................................................... 5
2.2.2 Pengujian Hipotesis Model Regresi Linier Berganda ......... 6
2.2.3 Pengujian Asumsi Residual ................................................ 7
2.3 Geographically Weighted Regression ................................... 10
2.3.1 Geographically-Temporally Weighted Regression ........... 12
2.3.2 Algoritma Metode Iteratif Estimasi Parameter 𝜏 .............. 15
2.3.3 Algoritma Metode Iteratif Estimasi Parameter μ dan λ .... 15
2.4 Kriteria Kebaikan Model....................................................... 16
2.5 Kebakaran Hutan................................................................... 16
BAB III METODOLOGI PENELITIAN
3.1 Sumber Data ......................................................................... 19
3.2 Variabel Penelitian ................................................................ 20
3.3 Langkah Analisis Data .......................................................... 21
xv
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Deskripsi Kebakaran Hutan Provinsi Riau............................ 23
4.2 Identifikasi Pola Hubungan Kebakaran Hutan Terhadap
Variabel yang Diduga Berpengaruh ...................................... 29
4.3 Pemodelan Kebakaran Hutan Menggunakan Regresi Linier . 30
4.4 Pengujian Asumsi Model Regresi Linier .............................. 31
4.5 Pengujian Heterogenitas Spasial dan Temporal .................... 32
4.6 Pemodelan Kebakaran Hutan Menggunakan Geographically-
Temporally Weighted Regression (GTWR) .......................... 33
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ........................................................................... 43
5.2 Saran ..................................................................................... 43
DAFTAR PUSTAKA
LAMPIRAN
BIODATA PENULIS
xvi
DAFTAR GAMBAR
Halaman
Gambar 2.1 Ilustrasi Jarak Spasial-Temporal .............................. 13
Gambar 3.1 Peta Provinsi Riau ................................................... 19
Gambar 3.2 Diagram Analisis Data ............................................. 22
Gambar 4.1 Deskripsi Kebakaran Hutan Provinsi Riau Pada
Tahun (a) 2011, (b) 2012, (c) 2013, (d) 2014, dan
(e) 2015 .................................................................. 26
Gambar 4.2 Deskripsi Kebakaran Hutan Provinsi Riau Berda-
sarkan (a) Musim 1, (b) Musim 2, (c) Musim 3,
dan (d) Musim 4 ..................................................... 28
Gambar 4.3 Scatter Plot Variabel Kebakaran Hutan Terhadap
Variabel Prediktor (Kecepatan Angin, Curah
Hujan, Suhu, dan Emisi Karbon) ........................... 29
Gambar 4.4 Time Series Plot Kebakaran Hutan Provinsi Riau
Berdasarkan Musim ............................................... 33
Gambar 4.5 Iterasi Estimasi Parameter τ ..................................... 33
Gambar 4.6 Estimasi Parameter μ dan λ ...................................... 34
Gambar 4.7 Deskripsi Prediksi Kebakaran Hutan Provinsi Riau
Berdasarkan (a) Musim 1, (b) Musim 2, (c) Musim
3, dan (d) Musim 4 ................................................. 40
xvii
xviii
DAFTAR TABEL
Halaman
Tabel 2.1 Analisis ragam (ANOVA) Uji Parameter .......................6
Tabel 2.1 Analisis ragam (ANOVA) Uji Parameter Lanjutan ........7
Tabel 3.1 Variabel Penelitian ....................................................... 20
Tabel 3.2 Struktur Data Penelitian ............................................... 20
Tabel 3.2 Struktur Data Penelitian (Lanjutan) .............................. 21
Tabel 4.1 Korelasi Variabel Kebakaran Hutan Terhadap Varia-
bel Prediktor (Kecepatan Angin, Curah Hujan, Suhu,
dan Emisi Karbon) ...................................................... 29
Tabel 4.2 Analysis of Variance (ANOVA) ................................... 30
Tabel 4.3 Estimasi dan Pengujian Parameter Model Regresi Li-
nier Berganda .............................................................. 30
Tabel 4.4 Thitung Parameter Grid 12 Tahun 2011........................... 36
Tabel 4.5 Thitung Parameter Grid 13 Tahun 2015........................... 37
Tabel 4.6 Summary Parameter.......................................................38
xix
xx
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Data Kebakaran Hutan Provinsi Riau ...................... 47
Lampiran 2 Output MINITAB : Korelasi Kebakaran Hutan
dengan Variabel Prediktor, Regresi Linier
Berganda, dan Uji Multikolinearitas ...................... 48
Lampiran 3 Pengujian Asumsi Residual IIDN (Output MINI-
TAB) dan Uji Heterogenitas Spasial (Output R) .... 49
Lampiran 4 Hasil Iterasi Parameter τ ......................................... 50
Lampiran 5 Hasil Iterasi Parameter μ dan λ ................................ 52
Lampiran 6 Nilai Prediksi Pemodelan GTWR Kebakaran Hutan
Provinsi Riau ......................................................... 54
Lampiran 7 Signifikansi Parameter Kebakaran Hutan ................ 55
Lampiran 8 Syntax Deskripsi Kebakaran Hutan Riau dengan
Bubble Chart Menggunakan software R ................ 57
Lampiran 9 Syntax Pemodelan metode Geographically – Tem-
porally Weighted Regression (GTWR) Menggu-
nakan software R ................................................... 61
xxi
xxii
BAB I
PENDAHULUAN
1.1 Latar Belakang

SDGs (Sustainable Development Goals) adalah program
pembangunan berkelanjutan yang mengimplementasikan aspek
ekonomi, sosial, dan lingkungan secara serentak. SDGs merupakan
program lanjutan MDGS (Millenium Development Goals) yang
berakhir pada tahun 2015. SDGs disahkan pada sidang PBB pada
tanggal 21 Oktober 2015 dan akan berakhir pada tahun 2030. SDGs
memiliki 17 tujuan dengan 169 target. Salah satu tujuan SDGS
adalah melindungi, memulihkan, dan meningkatkan penggunaan
ekosistem bumi secara berkelanjutan, mengelola hutan secara
berkelanjutan, menghentikan dan membalik degradasi (kerusakan)
tanah, dan kehilangan biodiversitas (keragaman hayati) yang tertera
pada tujuan. Salah satu keanekaragaman hayati adalah hutan.
Masalah utama yang terjadi di Indonesia terkait pengelolaan hutan
adalah seringnya terjadi kebakaran hutan di sebagian wilayah di
Indonesia.
Indonesia merupakan salah satu negara yang memiliki
keberagaman jenis hutan yang cukup tinggi, salah satunya adalah
hutan tropis. Hutan tropis Indonesia menempati urutan ketiga setelah
Brasil dan Republik Demokrasi Kongo (dulunya Zaire) dan hutan-
hutan ini memiliki kekayaan hayati yang unik. Sedangkan dalam hal
tingkat keanekaragaman hayati, dengan luas 1.860.359,67 km2
daratan, 5,8 juta km wilayah perairan dan 81.000 km garis pantai,
Indonesia ditempatkan pada urutan kedua setelah Brazil (Ministry of
Environment, 2009) (Sumargo, 2011).
Hutan merupakan sumber daya alam yang tidak ternilai karena
hutan merupakan keanekaragaman hayati sebagai sumber plasma
nutfah, sumber hasil hutan kayu dan non-kayu, pengatur tata air,
pencegah banjir dan erosi serta kesuburan tanah, perlindungaan alam
hayati untuk kepentingan ilmu pengetahuan dan masih banyak lagi
manfaat hutan. Oleh karena itu pemanfaatan hutan dan
perlindungannya telah diatur dalam UUD 1945, UU No. 5 tahun
1990, UU No. 23 tahun 1997, UU No. 41 tahun 1999, PP No. 28
tahun 1985, dan beberapa keputusan Menteri Kehutanan serta
beberapa keputusan Dirjen PHPA dan Dirjen Pengusahaan Hutan
1
2
(Irwandi, Jumani, & Ismail, 2016). Namun, gangguan terhadap
sumberdaya hutan terus berlangsung dan semakin bertambahnya
tahun intensitasnya makin meningkat.
Kebakaran hutan merupakan salah satu bentuk gangguan yang
nyata dan fenomena yang sering terjadi di Indonesia (Gellert, 1998).
Di Kalimantan, kebakaran hutan sudah terjadi sejak abad 17 (Barber
& Schweithelm, 2000). Namun baru pada tahun 1980 terjadi
peningkatan luas dan intensitas terjadinya kebakaran hutan,
khususnya di Sumatera dan Kalimantan. Kebakaran hutan yang
cukup besar tejadi di tahun 1982/1983, 1987, 1991, 1994, dan
1997/1998 (Dennis, 1999). Pada tahun 2015 berdasarkan data dari
Badan Nasional Penanggulangan Bencana (BNPB) per tanggal 24
November 2015 diperkirakan mencapai 2,6 juta hektar, dimana 1,74
juta hektar (67%) kejadian kebakaran terjadi di tanah mineral dan
0,87 juta hektar (33%) di tanah gambut. Dampak ekonomi kebakaran
hutan dan lahan tahun 2015 ini lebih besar dibanding kebakaran
hutan dan lahan tahun 1997 padahal luas hutan yang terbakar lebih
kecil. Tahun 1997 luas hutan dan lahan yang terbakar mencapai 9
juta hektar. Peristiwa kebakaran terakhir ini sifatnya agak khas yang
ditandai dengan musim kemarau yang lebih panjang dan kabut asap
yang luar biasa. Meningkatnya kejadian kebakaran hutan pada
musim kemarau panjang dan erat kaitannya dengan anomali atau
penyimpangan iklim setiap tahunnya yaitu fenomena El Nino-
Southern Oscillation (ENSO) (Balai Penelitian Kehutanan
Banjarbaru, 2015). Pusat prakiraan iklim Amerika (climate
prediction center) mencatat bahwa sejak tahun 1950 telah terjadi
setidaknya 22 kali fenomena El Nino, 6 kejadian diantaranya
berlangsung dengan intensitas kuat yaitu 1957/1958, 1965/1966,
1972/1973, 1982/1983, 1987/1988 dan 1997/1998. Akhir-akhir ini
fenomena El Nino terulang pada tahun 2006, 2013, 2014, dan 2015.
Intensitas El-Nino secara numerik ditentukan berdasarkan besarnya
penyimpangan suhu permukaan laut di samudra pasifik equator
bagian tengah. Jika menghangat lebih dari 1,5 o C, maka El-Nino
dikategorikan kuat (Supari, 2015).
Penelitian sebelumnya mengenai kebakaran hutan dilakukan
oleh Latifah & Pamungkas (2013). Penelitian tersebut membahas
tentang faktor-faktor yang mempengaruhi kebakaran hutan di
Kecamatan Liang Anggang Kota Banjarbaru dengan analisa
3
deskriptif yang di komparasikan hasil skala likert, kondisi eksisting
dan studi literatur. Berdasarkan hasil analisis didapatkan faktor yang
berpengaruh terhadap kebakaran hutan adalah iklim, kegiatan
penduduk, kepadatan bangunan, pengadaan alat-alat pemadam
kebakaran, ketersediaan pasokan air, vegetasi gambut dan kayu serta
jaringan jalan. Penelitian (Mapilata, dkk., 2013) dilakukan untuk
mengidentifikasi karakteristik lokasi terjadinya kebakaran hutan dan
lahan serta faktor yang berpengaruh terhadap kebakaran hutan dan
lahan menggunakan metode Composite Mapping Analysis (CMA).
Penelitian tersebut menunjukkan bahwa jarak dari jalan, tutupan
lahan dan kepadatan penduduk berpengaruh terhadap kebakaran
hutan dan lahan. Selanjutnya penelitian (Cahyono, dkk., 2015)
melakukan penelitian tentang faktor-faktor yang mempengaruhi
kebakaran hutan di Indonesia khususnya Sumatera, Kalimantan, dan
Papua menggunakan uji t. Didapatkan hasil bahwa faktor yang
berpengaruh terhadap kebakaran hutan adalah harga kayu, harga
ekspor CPO, El-Nino, anggaran Kementrian Kehutanan, krisis
ekonomi dan jumlah hotspot. Penelitian sebelumnya menggunakan
metode Geographically-Temporally Weighted Regression (GTWR)
pernah dilakukan oleh Aisyah (2014) untuk memodelkan faktor-
faktor yang mempengaruhi konsentrasi partikel debu (PM10) di Kota
Surabaya. Selain itu (Huang, dkk., 2010) juga pernah melakukan
penelitian menggunakan metode Geographically-Temporally
Weighted Regression (GTWR) untuk memodelkan harga perumahan
di Calgary, Canada.
Pada penelitian ini dilakukan untuk mengetahui hubungan
antara kebakaran hutan pada beberapa titik (grid) hutan lahan di
Provinsi Riau dengan faktor-faktor yang diduga mempengaruhinya
antara lain curah hujan, kecepatan angin, suhu, dan emisi karbon.
Data kebakaran hutan serta variabel yang lain diambil dalam rentang
waktu tahun 2011 hingga 2015. Salah satu metode yang berfungsi
untuk mengetahui model hubungan variabel respon dan variabel
prediktor adalah metode regresi. Metode regresi yang menggunakan
pertimbangan heterogenitas spasial dan temporal adalah
Geographically-Temporally Weighted Regression (GTWR).
Diharapkan dengan penelitian ini mampu memberikan rekomendasi
kebijakan kepada pemerintah di Provinsi Riau.
4
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, permasalahan
yang akan dibahas dalam penelitian ini adalah sebagai berikut.
1. Bagaimana karakteristik kebakaran hutan di Provinsi Riau?
2. Bagaimana pemodelan faktor penyebab kebakaran hutan di
Provinsi Riau dengan menggunakan metode GTWR?
1.3 Tujuan
Berdasarkan rumusan masalah di atas, tujuan yang ingin dicapai
dalam penelitian ini adalah sebagai berikut.
1. Menganalisis karakteristik kebakaran hutan di Provinsi Riau.
2. Memodelkan faktor penyebab kebakaran hutan di Provinsi Riau
dengan menggunakan metode GTWR.
1.4 Manfaat
Manfaat yang diharapkan dari penelitian ini adalah sebagai
berikut.
1. Memberikan informasi kepada pemerintah Provinsi Riau
mengenai pemodelan faktor yang mempengaruhi kebakaran
hutan di Provinsi Riau berdasarkan adanya heterogenitas spasial
dan temporal pada curah hujan, kecepatan angin, suhu, dan
emisi karbon.
2. Menambah pengetahuan dan mengembangkan wawasan
mengenai metode GTWR yang diaplikasikan pada bidang
lingkungan. Sehingga hasil penelitian ini dapat menjadi rujukan
penelitian selanjutnya.
1.5 Batasan Masalah
Penelitian ini dibatasi pada variabel yang diduga mempengaruhi
kebakaran hutan yaitu curah hujan, kecepatan angin, suhu, dan emisi
karbon pada Provinsi Riau pada tahun 2011 hingga tahun 2015 yang
dimodelkan dengan metode GTWR.
BAB II
TINJAUAN PUSTAKA
2.1 Statistika Deskriptif

Statistika deskriptif adalah salah satu metode statistika yang
berkaitan dengan pengumpulan dan penyajian suatu gugus data
sehingga memberikan informasi yang berguna. Statistika deskriptif
hanya memberikan informasi mengenai data yang dipunyai dan
sama sekali tidak menarik inferensia atau kesimpulan apapun.
Dengan Statistika deskriptif, kumpulan data yang diperoleh akan
tersaji dengan ringkas dan rapi serta dapat memberikan informasi inti
dari kumpulan data yang ada. Informasi yang dapat diperoleh dari
statistika deskriptif ini antara lain ukuran pemusatan data dan ukuran
penyebaran data (Walpole, 1993). Selain itu juga statistika deskriptif
bisa disajikan dalam bentuk tabel, diagram batang, histogram,
scatter plot sehingga informasi yang disampaikan akan lebih mudah
dipahami oleh pembaca.
2.2 Model Regresi
Metode regresi adalah metode yang digunakan untuk
menyatakan pola hubungan antara satu variabel respon dan satu atau
lebih variabel prediktor.
2.2.1 Regresi Linier Berganda
Regresi linear berganda merupakan metode yang memodelkan
hubungan antara variabel respon (𝑦) dan variabel prediktor
(x1,x2,x3,…,xp). Model regresi linier untuk 𝑝 variabel prediktor secara
umum ditulis sebagai berikut (Fotheringham, Brundson, & Charlton,
2002).
𝑝
𝑦𝑖 = 𝛽0 + ∑𝑘=1 𝛽𝑘 𝑋𝑖𝑘 + 𝜀𝑖 , (2.1)
dimana :
i = 1,2,3,…,n
𝑦𝑖 = nilai observasi variabel respon pada pengamatan ke-i
𝑋𝑖𝑘 = nilai observasi variabel prediktor ke-k pada pengamatan ke-
i, dengan k = 1,2,…,p
𝛽0 = nilai intersep model regresi
𝛽𝑘 = koefisien regresi variabel prediktor ke-k
5
6
𝜀𝑖 = error pada pengamatan ke-i dengan asumsi independen,
identik, dan berdistribusi normal, dengan mean nol dan
varians konstan .
Pendugaan parameter model regresi linier diperoleh dengan
menggunakan metode Ordinary Least Square (OLS). Metode OLS
didapat dengan meminimumkan jumlah kuadrat error. Pendugaan
parameter model didapat dari persamaan sebagai berikut (Drapper &
Smith, 1991).
̂ = (𝑿𝑇 𝑿)−1 𝑿𝑇 𝒀,
𝜷 (2.2)
dengan
̂
𝜷 = vektor dari parameter yang diestimasi berukuran
(𝑝 + 1) 𝑥 1
𝑿 = matriks variabel prediktor berukuran 𝑛 𝑥 (𝑝 + 1)
𝒀 = vektor observasi dari variabel respon berukuran 𝑛 𝑥 1
2.2.2 Pengujian Hipotesis Model Regresi Linier Berganda
Pengujian parameter dilakukan untuk mengetahui apakah suatu
variabel memberikan pengaruh secara signifikan terhadap model.
Pengujian parameter dapat dilakukan secara serentak dan individu
(parsial) dengan penjelasan sebagai berikut.
a. Uji Serentak
Uji serentak adalah uji signifikansi model secara keseluruhan
atau untuk mengetahui apakah semua variabel prediktor yang
dimasukkan ke dalam model memberikan pengaruh secara bersama-
sama. Uji serentak dapat dilakukan menggunakan tabel ANOVA
seperti terlihat pada Tabel 2.1.
Tabel 2.1 Analisis ragam (ANOVA) Uji Parameter
Mean
Sumber Sum of Square
Df Square Fhitung
variasi (SS)
(MS)
𝑛
𝑆𝑆𝑅
Regresi 𝑝 ∑(𝑦̂𝑖 − 𝑦̅)2
𝑝
𝑖=1
𝑛
𝑆𝑆𝐸 𝑀𝑆𝑅
Error 𝑛−𝑝−1 ∑(𝑦𝑖 − 𝑦̂𝑖 )2
𝑛−𝑝−1 𝑀𝑆𝐸
𝑖=1
7
Tabel 2.2 Analisis ragam (ANOVA) Uji Parameter (Lanjutan)
Mean
Sumber Sum of Square
Df Square Fhitung
variasi (SS)
(MS)
𝑛
Total 𝑛−1 ∑(𝑦𝑖 − 𝑦̅)2 −

𝑖=1
Hipotesis yang digunakan untuk pengujian secara serentak adalah

sebagai berikut.
𝐻0 ∶ 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑛 = 0
H1 : minimal terdapat satu 𝛽𝑘 ≠ 0, 𝑘 = 1,2, … , 𝑝
Statistik uji yang digunakan sebagai berikut.
𝑀𝑆𝑟𝑒𝑔𝑟𝑒𝑠𝑖
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = (2.3)
𝑀𝑆𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙
Daerah penolakan, tolak 𝐻0 jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝛼,𝑝,(𝑛−𝑝−1) (Drapper &
Smith, 1991).
b. Uji Parsial
Uji parsial adalah uji signifikansi masing-masing variabel
prediktor secara individual. Hipotesis yang digunakan dalam uji
individu adalah sebagai berikut.
𝐻0 ∶ 𝛽𝑘 = 0
𝐻1 ∶ 𝛽𝑘 ≠ 0, 𝑘 = 1,2, … , 𝑝
Statistik uji yang digunakan sebagai berikut.
̂𝑘
𝛽
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = ̂𝑘 ) (2.4)
𝑆𝐸(𝛽
𝑠
𝑆𝐸(𝛽̂𝑘 ) = (2.5)
√∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
2
dimana 𝑆𝐸(𝛽̂𝑘 ) adalah standar error dari 𝛽̂𝑘 . Daerah penolakan yaitu
tolak H0 jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝛼;(𝑛−𝑝−1) atau tolak H0 jika Pvalue < α yang
2
berarti bahwa parameter berpengaruh secara signifikan terhadap
model (Drapper & Smith, 1991).
2.2.3 Pengujian Asumsi Residual
Pengujian asumsi residual (Goodness of fit) dilakukan untuk
mengetahui apakah residual yang dihasilkan telah memenuhi asumsi
yakni identik, independen, dan berdistribusi normal (IIDN). Asumsi
identik terpenuhi jika varians antar residual homogen yakni 𝜎 2 dan
8
tidak terjadi heteroskedastisitas (Gujarati, 2003). Asumsi klasik
kedua yang harus dipenuhi adalah tidak terdapat korelasi antar
residual yang ditunjukkan oleh nilai kovarian antara 𝜀𝑖 dan 𝜀𝑗 sama
dengan nol. Residual dari model regresi harus mengikuti distribusi
normal dengan mean nol dan varians 𝜎 2 . Uji asumsi distribusi
normal dapat dilakukan menggunakan uji Kolmogorov-smirnov.
a Asumsi Identik
Asumsi identik (homoskedastisitas) berarti bahwa varians pada
residual sama atau identik. Kebalikanannya adalah kasus
heteroskedastisitas, yaitu jika kondisi varians residual tidak identik
(Gujarati, 2003).
𝑣𝑎𝑟(𝑦𝑖 ) = 𝑣𝑎𝑟(𝜀𝑖 ) = 𝜎 2 ; 𝑖 = 1,2, … , 𝑛 (2.6)
Uji identik dapat menggunakan uji Glejser. Hipotesis yang
digunakan adalah sebagai berikut:
H0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑛2 = 𝜎 2 (residual identik)
H1 : Minimal ada satu 𝜎𝑖2 ≠ 𝜎 ; 𝑖 = 1,2, … , 𝑛 (residual tidak identik)
Statistik uji yang digunakan adalah seperti berikut,
∑𝑛 2
𝑖=1(|𝜀𝑖 |−|𝜀̅| )
𝑝
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 2 (2.7)
∑𝑛
𝑖=1 𝑖|−|𝜀̂𝑖| )
(|𝜀
𝑛−𝑝−1
𝜀̂𝑖 adalah residual dari hasil regresi antara |𝜀𝑖 | dengan variabel
prediktor. Jika Fhitung > Fα,p,(n-p-1) atau p-value < α maka tolak H0
yang berarti bahwa tidak terindikasi terdapat kasus
homoskedastisitas dan sebaliknya jika Fhitung < Fα,p,(n-p-1) atau p-value
> α maka gagal tolak H0 yang berarti bahwa terindikasi terdapat
kasus homoskedastisitas.
b Asumsi Independen
Asumsi independen merupakan asumsi dari model regresi yang
mengharuskan tidak terdapat korelasi antar residual. Uji yang
digunakan untuk mendeteksi kasus autokorelasi adalah uji Durbin-
Watson (Drapper & Smith, 1991). Hipotesis yang digunakan adalah
sebagai berikut
Hipotesis:
H0 : 𝜌 = 0 (tidak terjadi autokorelasi)
H1 : 𝜌 ≠ 0 (terjadi autokorelasi)
9
Statistik uji yang digunakan:
∑𝑛
𝑖=1(𝜀𝑖 −𝜀𝑖−1 )
2
𝑑= ∑𝑛 2 (2.8)
𝑖=1 𝜀𝑖
Langkah selanjutnya adalah membandingkan hasil statistic uji
dengan tabel Durbin Watson (DW). Tabel DW terdiri atas batas
bawah (dL) dan batas atas (dU). Berikut beberapa keputusan setelah
membandingkan dengan tabel DW.
d  dL : tolak H 0
d  4 − dL : tolak H 0
(2.9)
dU  d  4 − d L : terima H 0
d L  d  dU dan 4 − dU  d  4 − d L
c Uji Normalitas Kolmogorov-Smirnov
Uji Kolmogorov-Smirnov bertujuan untuk mengetahui apakah
suatu data telah mengikuti suatu distribusi tertentu (Drapper &
Smith, 1991). Hipotesis yang digunakan
H0 : 𝐹𝑛 (𝜀) = 𝐹0 (𝜀)
H1 : 𝐹𝑛 (𝜀) ≠ 𝐹0 (𝜀)
atau
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Statistik uji:
D = Sup Fn ( ) − F0 ( ) (2.10)

Tolak H0 apabila D>Dα. Dα adalah nilai kritis untuk uji
Kolmogorov Smirnov satu sampel, diperoleh dari tabel Kolmogorov
Smirnov satu sampel, 𝐹𝑛 (𝜀) adalah nilai peluang kumulatif (fungsi
distribusi kumulatif) berdasarkan data sampel, 𝐹0 (𝜀) adalah nilai
peluang kumulatif (fungsi distribusi kumulatif) dibawah H0.
d Uji Multikolinearitas
Multikolinearitas adalah terdapat korelasi antar variabel
prediktor yang dapat menyebabkan kesalahan estimasi parameter
pada model regresi linier. Adanya multikolinearitas dapat diketahui
melalui nilai Variance Inflated Factor (VIF). Nilai VIF didapatkan
melalui perhitungan berikut ini.
10
1
𝑉𝐼𝐹𝑗 = (2.11)
1−𝑅2 𝑗
dengan 𝑅 2𝑗 adalah koefisien determinasi antara variabel prediktor xj

dengan variabel prediktor lainnya. Jika nilai VIF lebih besar
daripada 10, maka terdapat multikolinearitas.
2.3 Geographically Weighted Regression
Geographically Weighted Regression (GWR) adalah
pengembangan dari model regresi dimana setiap parameter dihitung
pada setiap titik lokasi, sehingga setiap titik lokasi geografis
mempunyai nilai parameter regresi yang berbeda-beda. Dengan
adanya aspek spasial didalam GWR, dimana efek spasial yang
terjadi antar wilayah dapat dibagi menjadi dua jenis, yaitu
dependensi spasial dan heterogenitas spasial (Anselin, 1998).
a. Dependensi Spasial
Pengujian dependensi spasial menunjukkan bahwa pengamatan
pada satu lokasi berpengaruh terhadap pengamatan di lokasi yang
lain. Untuk mengetahui hal tersebut, perlu dilakukan identifikasi
kebenaran efek spasial pada data yang digunakan. Pengujian
dependensi spasial dapat dilakukan dengan uji Moran’s I, hipotesis
dari pengujian ini adalah sebagai berikut.
H0 : Im = 0 (tidak ada dependensi spasial)
H1 : Im ≠ 0 (ada dependensi spasial)
Statistik uji :
𝐼̂−𝐸̂ (𝐼̂)
𝑍𝐼 = , (2.12)
̂ (𝐼̂ )
√𝑣𝑎𝑟
dimana :
𝑛 𝑛
𝑛 ∑𝑖=1 ∑𝑗=1 𝑎𝑖𝑗 (𝑦𝑖 −𝑦̅)(𝑦𝑗 −𝑦̅)
𝐼̂ = ∑𝑛 ̅)2
, (2.13)
𝑆0 𝑖=1 𝑎𝑖𝑗 (𝑦𝑖 −𝑦
dengan
𝑦̅ : rata-rata variabel y
a𝑖𝑗 : Elemen matrik pembobot
𝑆0 = ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑎𝑖𝑗 : jumlahan elemen matriks pembobot
𝐼̂ : nilai indeks Moran’s I
Z : nilai statistik uji indeks Moran’s I
̂ ̂
𝐸(𝐼 ) : nilai ekspektasi dari indeks Moran’s I
̂ (𝐼̂) : nilai varians dari indeks Moran’s I
𝑣𝑎𝑟
11
Rata-rata varians dalam Moran’s I dapat ditulis sebagai berikut.
−1
𝐸̂ (𝐼̂) = (2.14)
(𝑛−1)
𝑛2 𝑆1 −𝑛𝑆2 +3𝑆02 2
̂ (𝐼̂) =
𝑣𝑎𝑟 (𝑛2 −1)𝑆02
− (𝐸̂ (𝐼̂)) (2.15)
dimana
𝑛 𝑛
𝑆0 = ∑ ∑ 𝑎𝑖𝑗
𝑖=1 𝑗=1
2
∑𝑛𝑖=1 ∑𝑛𝑗=1(𝑎𝑖𝑗 + 𝑎𝑗𝑖 )
𝑆1 =
2
𝑛 𝑛
2
𝑆2 = ∑ ∑(𝑎𝑖. + 𝑎.𝑗 )
𝑖=1 𝑗=1
Daerah kritis : Tolak H0 jika |ZI| > Zα/2 atau P-Value < α
b. Heterogenitas Spasial
Pengujian ini dilakukan untuk mengetahui apakah terdapat
karakterisik atau keunikan sendiri di setiap lokasi pengamatan.
Adanya heterogenitas spasial dapat menghasilkan parameter regresi
yang berbeda beda di setiap lokasi pengamatan. Heterogenitas
spasial dapat diuji dengan menggunakan statistik uji Breusch-Pagan
yang mempunyai hipotesis sebagai berikut.
H0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎n2 = 𝜎2 (tidak terdapat heterogenitas spasial)
H1 : minimal ada satu 𝜎𝑖2 ≠ 𝜎2 (ada heterogenitas spasial)
Statistik Uji :
1
𝐵𝑃 = ( ) 𝒇𝑇 𝒁(𝒁𝑇 𝒁)−1 𝒁𝑇 𝒇 (2.16)
2
dengan elemen vektor f adalah
𝑒2
𝑓𝑖 = ( ̂𝑖2 − 1) (2.17)
𝜎
Dimana ei merupakan residual least square untuk observasi ke-i dan

Z merupakan matriks berukuran n x (p+1) yang berisi vektor yang
sudah dinormalstandartkan untuk tiap observasi. Daerah Kritis :
Tolak H0 jika 𝐵𝑃 > 𝜒 2 𝛼;𝑝
12
2.3.1 Geographically-Temporally Weighted Regression
Geographically-Temporally Weighted Regression (GTWR)
merupakan metode pengembangan dari Geographically Weighted
Regression (GWR) yang mengakomodasi adanya heterogenitas
secara spasial (lokasi) dan secara temporal (waktu) (Huang, dkk,
2010). Persamaan umum untuk model GTWR adalah sebagai
berikut.
𝑝
𝑦𝑖 = 𝛽0 (𝑢𝑖 , 𝑣𝑖 , 𝑡𝑖 ) + ∑𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 , 𝑡𝑖 )𝑥𝑖𝑘 + 𝜀𝑖 (2.18)
Pada model p adalah jumlah variabel prediktor dan i menunjukkan
observasi atau pengamatan. Estimasi nilai parameter didapatkan dari
perhitungan persamaan (2.17).
̂ (𝑢𝑖 , 𝑣𝑖 , 𝑡𝑖 ) = (𝑿𝑇 𝑾(𝑢𝑖 , 𝑣𝑖 , 𝑡𝑖 )𝑿)−1 𝑿𝑇 𝑾(𝑢𝑖 , 𝑣𝑖 , 𝑡𝑖 )𝒀 (2.19)
𝜷
yang mana 𝑾(𝑢𝑖 , 𝑣𝑖 , 𝑡𝑖 ) = 𝑑𝑖𝑎𝑔 (𝑎𝑖1 , 𝑎𝑖2 , … , 𝑎𝑖𝑛 ) dengan 𝑛 adalah
jumlah data observasi. Elemen diagonal 𝛼𝑖𝑗 (1 ≤ 𝑗 ≤ 𝑛) adalah fungsi
jarak ruang (𝑢, 𝑣) dan waktu dari (𝑡) sesuai dengan pembobotan pada
regresi yang berdekatan dengan titik pengamatan 𝑖. Semakin dekat
titik yang diamati dengan titik 𝑖, maka koordinat memiliki pengaruh
yang lebih besar pada estimasi parameter.
Besar pembobotan ditentukan menggunakan fungsi kernel
gaussian karena menghasilkan hasil yang lebih halus dan standar
error yang lebih kecil pada estimasi parameter (Fotheringham, dkk,
2002). Fungsi jarak berdasarkan fungsi kernel gaussian adalah
sebagai berikut.
2
(𝑑 𝑆𝑇 𝑖𝑗 )
𝑎𝑖𝑗 = 𝑒𝑥𝑝 (− ) (2.20)
ℎ2 𝑆𝑇
dengan 𝑑ST𝑖𝑗 merupakan jarak antara titik 𝑖 dan titik 𝑗 yang diperoleh
2 2
dari fungsi jarak euclidean yakni (𝑑𝑖𝑗 𝑇 ) = (𝑡𝑖 − 𝑡𝑗 ) dan
𝑆 2 2 2
(𝑑𝑖𝑗 ) = (𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) . Dan ℎ adalah parameter non
negatif untuk penghalus atau biasa disebut bandwith. Ada beberapa
metode yang digunakan untuk memilih bandwidth optimum, salah
satu diantaranya adalah metode Cross Validation (CV) yang secara
matematis didefinisikan sebagai berikut.
𝐶𝑉(ℎ) = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂≠𝑖 (ℎ))2 (2.21)
13
Dengan 𝑦̂≠𝑖 (ℎ) adalah nilai penaksir 𝑦𝑖 dimana pengamatan di
lokasi (ui,vi) dihilangkan dari proses estimasi. Untuk mendapatkan
nilai h yang optimal maka diperoleh dari h yang menghasilkan nilai
CV yang minimum.
Adanya perbedaan skala secara spasial dan temporal maka
sistem koordinat yang digunakan adalah ellipsodial.
Gambar 2.1 Ilustrasi Jarak Spasial-Temporal

(Sumber : Huang, dkk, 2010)
Pada Gambar 2.1 dijelaskan bahwa fungsi jarak spasial-
temporal dibentuk melalui kombinasi fungsi jarak spasial (𝑑𝑆) dan
fungsi jarak temporal (𝑑𝑇). Maka fungsi jarak spasial-temporal
adalah sebagai berikut.
(𝑑 𝑆𝑇 )2 = 𝜆(𝑑 𝑆 )2 + 𝜇(𝑑 𝑇 )2 (2.22)
dengan 𝜆 dan 𝜇 menyatakan faktor skala penyeimbang perbedaan
efek yang digunakan untuk mengukur jarak spasial dan temporal.
Menurut Huang, dkk (2010) dengan mensubtitusikan fungsi jarak
euclidean maka persamaan (2.22) menjadi sebagai berikut.
2 2 2 2
(𝑑 𝑆𝑇 𝑖𝑗 ) = 𝜆 ((𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) ) + 𝜇(𝑡𝑖 − 𝑡𝑗 ) ; 𝑗 ≠ 𝑖 (2.23)
14
dimana,
i = 1,2,3,…n
j = 1,2,3,…n
Kemudian dengan mensubtitusikan persamaan (2.23) pada fungsi
jarak kernel gaussian maka didapatkan perhitungan sebagai berikut.
2
𝑎𝑖𝑗 = 𝑒𝑥𝑝 (− )
ℎ2𝑆𝑇
2 2 2
𝜆 |(𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) | + 𝜇(𝑡𝑖 − 𝑡𝑗 )
= exp {− ( )}
ℎ2𝑆𝑇
2 2 2
(𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) (𝑡𝑖 − 𝑡𝑗 )
= 𝑒𝑥𝑝 {− ( 2 + )}
ℎ 𝑆 ℎ2 𝑇
2 2
(𝑑 𝑆 𝑖𝑗 ) (𝑑 𝑇 𝑖𝑗 )
= 𝑒𝑥𝑝 {− ( 2 + )}
ℎ 𝑆 ℎ2 𝑇
2 2
(𝑑 𝑆 𝑖𝑗 ) (𝑑 𝑇 𝑖𝑗 )
= 𝑒𝑥𝑝 {− } × 𝑒𝑥𝑝 {− }
ℎ2𝑆 ℎ2 𝑇
= 𝑎 𝑆 𝑖𝑗 × 𝑎𝑇 𝑖𝑗
dimana
ℎ2𝑆 = ℎ2𝑆𝑇 /𝜆
ℎ2 𝑇 = ℎ2𝑆𝑇 /𝜇
dengan
ℎ2𝑆𝑇 = parameter bandwith spasial temporal
ℎ2𝑆 = merupakan parameter bandwith spasial
ℎ2 𝑇 = merupakan parameter bandwith temporal
Dimisalkan τ merupakan parameter rasio 𝜇/𝜆 dengan λ ≠ 0
maka persamaan (2.23) dibagi dengan λ untuk memunculkan
parameter τ sehingga dapat ditulis dalam bentuk sebagai berikut.
2
(𝑑 𝑆𝑇 𝑖𝑗 ) 2 2 2
= (𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) + τ(𝑡𝑖 − 𝑡𝑗 ) ; 𝑗 ≠ 𝑖 (2.24)
𝜆
Parameter τ didapatkan melalui metode optimasi koefisien

determinasi (R2) secara iteratif. Sehingga estimasi parameter τ dapat
15
menghasilkan 𝑅2 yang maksimum. Parameter 𝜏 digunakan untuk
memperbesar atau memperkecil efek jarak temporal terhadap efek
jarak spasial. Kemudian estimasi parameter 𝜇 dan 𝜆 didapatkan
melalui metode iteratif berdasarkan estimasi parameter 𝜏 yang
menghasilkan nilai 𝑅2 maksimum. Untuk penentuan bandwith
spasial temporal dapat diinisiasi dengan menggunakan bandwith
spasial ditentukan oleh peneliti dengan trial-error.
2.3.2 Algoritma Metode Iteratif Estimasi Parameter 𝜏
Langkah-langkah mendapatkan parameter 𝜏 melalui metode
iteratif adalah sebagai berikut.
1. Menentukan nilai awal 𝜏0 = 0.005
2. Mendapatkan nilai jarak Euclidean yang diperoleh dari
persamaan (2.24)
3. Menghitung nilai fungsi jarak pembobot yang diperoleh dari
persamaan sebagai berikut.
2
(𝑑 𝑆𝑇 𝑖𝑗) /𝜆
𝐾𝑖𝑗 = 𝑒𝑥𝑝 (− ) (2.25)
ℎ2 𝑆
4. Mendapatkan nilai estimasi β berdasarkan persamaan (2.19)

dengan menggunakan matriks pembobot yang diperoleh dari
langkah (3)
5. Melakukan perhitungan Sum Square Error (SSE) dan Sum
Square Total (SST) berdasarkan rumus pada Tabel 2.1
6. Memperoleh nilai koefisien determinasi (R2)
7. Melakukan iterasi langkah (2) hingga (6) dengan nilai 𝜏𝑠+1 =
𝑠 × 𝜏𝑠 dimana s = 0,1,2,…,n
8. Mendapatkan nilai parameter τ dengan memilih estimasi R2
optimum. R2 optimum ditentukan dengan nilai R2 yang mulai
konstan.
2.3.3 Algoritma Metode Iteratif Estimasi Parameter μ dan λ
Langkah-langkah mendapatkan parameter 𝜏 melalui metode
iteratif adalah sebagai berikut.
1. Menentukan nilai awal μ0 = 0.003 dan λ0 = 0.012 kemudian
dikalikan pembanding yang didapatkan dari parameter τ
2. Mendapatkan nilai jarak Euclidean yang diperoleh dari
persamaan sebagai berikut
16
2 2 2 2
(𝑑 𝑆𝑇 𝑖𝑗 ) = 𝜆 ((𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) ) + 𝜇(𝑡𝑖 − 𝑡𝑗 ) (2.26)
3. Menghitung nilai fungsi jarak pembobot yang diperoleh dari

persamaan sebagai berikut
2
𝑉𝑖𝑗 = 𝑒𝑥𝑝 (− ) (2.27)
ℎ2 𝑆
4. Mendapatkan nilai estimasi β berdasarkan persamaan (2.19)

dengan menggunakan matriks pembobot yang diperoleh dari
langkah (3)
5. Melakukan perhitungan Sum Square Error (SSE) dan Sum
Square Total (SST) berdasarkan rumus pada Tabel 2.1
6. Memperoleh nilai koefisien determinasi (R2)
7. Melakukan iterasi langkah (2) hingga (6) dengan nilai 𝜇𝑠+1 =
𝑠 × 𝜇𝑠 dan λ𝑠+1 = 𝑠 × λ𝑠 dimana s = 0,1,2,…,n
8. Mendapatkan nilai parameter μ dan λ dengan memilih estimasi
R2 optimum. R2 optimum ditentukan dengan nilai R2 yang mulai
konstan.
2.4 Kriteria Kebaikan Model
Kriteria kebaikan model yang digunakan adalah kriteria
koefisien determinasi (𝑅2) dan Mean Square Error (𝑀𝑆𝐸). Kriteria
𝑅2 merupakan metode menemukan himpunan variabel prediktor
terbaik dalam memprediksi variabel respon melalui model regresi.
Model terbaik ditunjukkan dengan nilai 𝑅2 yang paling tinggi untuk
setiap unit variabel prediktor dipertimbangkan dalam model.
Formulasi perhitungan koefisien determinasi (𝑅2) adalah sebagai
berikut.
𝑆𝑆𝑒𝑟𝑟𝑜𝑟
𝑅2 = 1 − (2.28)
𝑆𝑆𝑡𝑜𝑡𝑎𝑙
Sedangkan Mean Square Error (𝑀𝑆𝐸) digunakan untuk

mengevaluasi tingkat kesalahan berdasarkan nilai residual pada
model yang satu dan dibandingkan dengan model yang lainnya.
2.5 Kebakaran Hutan
Definisi Kebakaran Hutan menurut SK. Menhut. No. 195/Kpts-
II/1996 yaitu suatu keadaan dimana hutan dilanda api sehingga
17
mengakibatkan kerusakan hutan dan hasil hutan yang menimbulkan
kerugian ekonomi dan lingkungannya. Kebakaran hutan merupakan
salah satu dampak dari semakin tingginya tingkat tekanan terhadap
sumber daya hutan. Dampak yang berkaitan dengan kebakaran hutan
atau lahan adalah terjadinya kerusakan dan pencemaran lingkungan
hidup, seperti terjadinya kerusakan flora dan fauna, tanah, dan air.
Kebakaran hutan dan lahan di Indonesia terjadi hampir setiap tahun
walaupun frekuensi, intensitas, dan luas arealnya berbeda (Rasyid,
2014).
Menurut Rasyid (2014) secara umum kebakaran hutan yang
terjadi di Indonesia disebabkan oleh tiga faktor utama yaitu kondisi
bahan bakar, cuaca, dan sosial budaya masyarakat. Kondisi bahan
bakar yang rawan terhadap bahaya kebakaran adalah jumlahnya
yang melimpah di lantai hutan, kadar airnya relatif rendah (kering),
serta ketersediaan bahan bakar yang berkesinambungan. Faktor
iklim berupa suhu, kelembaban, angin dan curah hujan turut
menentukan kerawanan kebakaran. Suhu yang tinggi akibat
penyinaran matahari langsung menyebabkan bahan bakar mengering
dan mudah terbakar, kelembaban yang tinggi (pada hutan dengan
vegetasi lebat) mengurangi peluang terjadinya kebakaran hutan,
angin juga turut mempengaruhi proses pengeringan bahan bakar
serta kecepatan menjalarnya api sedangkan curah hujan
mempengaruhi besar kecilnya kadar air yang terkandung dalam
bahan bakar.
18

BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder
yang diperoleh dari 3 satelit meteorologi pada tahun 2011 hingga
tahun 2015. Berikut merupakan nama 3 satelit meteorologi.
1. GFED (Global Fire Emission Database) melalui web
www.globalfiredata.org
2. TRMM (Tropical Rainfall Measuring Mission) melalui web
www.pmm.nasa.gov
3. ECMWF (European Centre for Medium-Range Weather
Forecasts) melalui web www.ecmwf.int
Data terbagi menjadi 4 musim yaitu musim 1 (hujan) terdiri dari
bulan Desember, Januari, dan Februari, musim 2 (hujan-kemarau)
terdiri dari bulan Maret, April, Mei, dan Juni, musim 3 (kemarau)
terdiri dari bulan Juli, Agustus, dan September, musim 4 (kemarau
hujan) terdiri dari Bulan Oktober dan November.
Terdapat 74 titik yang digunakan di Provinsi Riau dimana setiap
titik berukuran 0,25 x 0,25 degree atau setara dengan 27-28 km2.
Berikut merupakan peta pengamatan yang dijelaskan pada Gambar
3.1.
Gambar 3.1 Peta Provinsi Riau
19
20
3.2 Variabel Penelitian
Variabel yang digunakan dalam penelitian ini ditampilkan pada
Tabel 3.1 berikut.
Tabel 3.1 Variabel Penelitian
Variabel Keterangan Satuan
y Luas kebakaran hutan Ha
x1 Curah hujan mm/month
x2 Kecepatan angin m/s2
x3 Suhu Fahrenheit (F)
x4 Emisi Karbon g C/m2
u Garis lintang selatan Derajat (o)
v Garis bujur timur Derajat (o)
Struktur data yang digunakan dalam penelitian terlihat bada
Tabel 3.2 sebagai berikut.
Tabel 3.2 Struktur Data Penelitian
Musim Tahun Grid u v y x1 x2 x3 x4
1 2011 1 u1 v1 y1 x1,1 x2,1 x3,1 x4,1
. . . . . . . . . .
4 2011 1 u1 v1 y4 x1,4 x2,4 x3,4 x4,4
1 2012 1 u1 v1 y5 x1,5 x2,5 x3,5 x4,5
. . . . . . . . . .
4 2012 1 u1 v1 y8 x1,8 x2,8 x3,8 x4,8
. . . . . . . . . .
1 2015 1 u1 v1 y17 x1,17 x2,17 x3,17 x4,17
. . . . . . . . . .
4 2015 1 u1 v1 y20 x1,20 x2,20 x3,20 x4,20
…
…
...
...
...
...
1 2011 74 u74 v74 y1461 x1,1461 x2,1461 x3,1461 x4,1461

. . . . . . . . . .
4 2011 74 u74 v74 y1464 x1,1464 x2,1464 x3,1464 x4,1464
1 2012 74 u74 v74 y1465 x1,1465 x2,1465 x3,1465 x4,1465
. . . . . . . . . .
21
Tabel 3.2 Struktur Data Penelitian (Lanjutan)
Musim Tahun Grid u v y x1 x2 x3 x4
4 2012 74 u74 v74 y1468 x1,1468 x2,1468 x3,1468 x4,1468
. . . . . . . . . .
1 2015 74 u74 v74 y1477 x1,1477 x2,1477 x3,1477 x4,1477
. . . . . . . . . .
4 2015 74 u74 v74 y1480 x1,1480 x2,1480 x3,1480 x4,1480
3.3 Langkah Analisis Data

Metode yang digunakan pada penelitian ini adalah
Geographically-Temporally Weighted Regression. Berikut adalah
langkah analisis yang digunakan dalam melakukan penelitian.
1. Mendeskripsikan tiap variabel untuk mengetahui karakteristik
kondisi kebakaran hutan di Provinsi Riau menggunakan Bubble
Chart.
2. Mengidentifikasi pola hubungan kebakaran hutan dengan
variabel prediktor menggunakan scatter plot.
3. Melakukan pemodelan regresi linier berganda yang meliputi :
a Estimasi parameter (Persamaan 2.2).
b Pengujian serentak parameter regresi (Persamaan 2.3).
c Pengujian parsial parameter regresi (Persamaan 2.4).
d Pengujian residual regresi identik, independen,
berdistribusi normal (IIDN) dan uji multikolinearitas.
4. Melakukan uji heterogenitas spasial dan heterogenitas temporal.
5. Melakukan pemodelan Geographically-Temporally Weighted
Regression (GTWR) yang meliputi :
a Menghitung jarak Euclidean pada koordinat (ui, vi, ti).
b Mendapatkan estimasi parameter τ optimum secara
iteratif dan hST = hs atau bandwidth spasial, dengan
membandingkan nilai R2.
c Mendapatkan estimasi parameter μ dan λ.
d Menentukan bandwidth spasial-temporal (hST).
e Menghitung matriks pembobot model GTWR dengan
fungsi kernel gaussian.
f Estimasi parameter GTWR.
Prosedur analisis data yang ditampilkan dalam bentuk diagram
alir pada Gambar 3.2.
22
Data
Mendeskripsikan karakteristik variabel respon dan variabel prediktor
Identifikasi pola hubungan variabel respon dengan variabel prediktor
Melakukan pemodelan regresi linier
Pengujian Pengujian Pengujian asumsi

parameter serentak parameter parsial residual
Pengujian dependensi spasial, heterogenitas spasial dan

temporal
Melakukan pemodelan GTWR
Menghitung jarak Estimasi Menentukan

euclidean parameter τ, λ, μ bandwith spasial
Estimasi parameter GTWR
Pemilihan model dengan kriteria R2 dan MSE
Mendapatkan model
Kesimpulan
Gambar 3.2 Diagram Analisis data

BAB IV
ANALISIS DAN PEMBAHASAN
Pada bab ini membahas deskripsi dan pemodelan kebakaran

hutan sebagai variabel respon dengan faktor-faktor yang diduga
mempengaruhi yaitu kecepatan angin, curah hujan, suhu, dan emisi
karbon. Pemodelan dilakukan dalam dua tahap yaitu pemodelan
menggunakan metode regresi linier berganda dan pemodelan
menggunakan metode Geographically-Temporally Weighted
Regression (GTWR). Data yang digunakan dalam pemodelan regresi
linier berganda dan GTWR menggunakan data musiman hutan lahan
Provinsi Riau.
4.1 Deskripsi Kebakaran Hutan Provinsi Riau
Pada tahun 2011 hingga 2013, kebakaran hutan di Provinsi Riau
kebanyakan terjadi pada daerah Riau bagian utara yaitu daerah
Kabupaten Rokan Hilir (Gambar 4.1). Dampak kebakaran hutan
terparah yang ditandai dengan titik berwarna merah, memiliki luas
kebakaran sekitar 160000 Ha di tahun 2011, 75000 Ha di tahun 2012,
dan 300000 Ha di tahun 2013.
Namun, pada tahun 2014 kebakaran hutan di Provinsi Riau
mulai bergeser ke arah timur yaitu daerah Kabupaten Bengkalis dan
Kabupaten Kepulauan Meranti. Kabupaten Bengkalis merupakan
kabupaten yang memiliki kebakaran hutan parah dengan luas
kebakaran sekitar 400000 Ha. Sedangkan pada Kabupaten
Kepulauan Meranti kebakaran lebih menyebar dengan luas
kebakaran sekitar 200000 hingga 300000 Ha. Selanjutnya pada
tahun 2015 kebakaran hutan di Provinsi Riau lebih menyebar
keseluruh daerah.
Dampak kebakaran hutan pada setiap tahunnya kebanyakan
terdapat di daerah Kabupaten Rokan Hilir. Menurut BNPB, Rokan
Hilir disebut sebagai api yang tak pernah padam karena Kabupaten
Rokan Hilir memiliki banyak hotspot dibanding dengan kabupaten
lainnya. Hal ini menandakan pemerintah daerah belum optimal
dalam mengantisipasi adanya kebakaran hutan.
23
24
(a)
(b)
25
(c)
(d)
26
(e)
Gambar 4.1 Deskripsi Kebakaran Hutan Provinsi Riau Pada Tahun (a) 2011, (b)
2012, (c) 2013, (d) 2014, dan (e) 2015
Deskripsi kebakaran hutan Provinsi Riau juga dipetakan

berdasarkan pembagian empat musim (Gambar 4.2). Jumlah
kebakaran hutan Provinsi Riau pada musim 1 cenderung lebih sedikit
karena Riau mengalami musim penghujan. Kebakaran hutan
kebanyakan terjadi pada Kabupaten Kepulauan Meranti dengan luas
kebakaran sekitar 200000 hingga 300000 Ha. Pada musim 2 dan
musim 3 jumlah kebakaran hutan mulai meningkat karena musim
beralih dari musim penghujan ke musim kemarau. Persebaran
kebakaran hutan pada musim ini sedikit bergeser kearah Riau bagian
utara yaitu Kabupaten Rokan Hilir dan Kabupaten Bengkalis dan
luas kebakaran yang dihasilkan sekitar 200000 hingga 400000 Ha.
Kemudian, pada musim 4 kebakaran hutan jumlahnya menurun
karena pergantian musim dari musim kemarau ke musim penghujan.
Persebarannya pun bergeser ke arah selatan Riau yaitu daerah
Kabupaten Indragiri Hulu dan Indragiri Hilir. Luas kebakaran pun
menurun drastis dengan rata-rata sekitar 6000 Ha.
27
(a)
(b)
28
(c)
(d)
Gambar 4.2 Deskripsi Kebakaran Hutan Provinsi Riau Berdasarkan (a) Musim 1,
(b) Musim 2, (c) Musim 3, dan (d) Musim 4
29
4.2 Identifikasi Pola Hubungan Kebakaran Hutan Terhadap
Variabel yang Diduga Berpengaruh
Identifikasi pola hubungan kebakaran hutan dengan variabel
yang diduga berpengaruh yaitu kecepatan angin, curah hujan, suhu,
dan emisi karbon ditunjukkan pada Gambar 4.3. Variabel kecepatan
angin, suhu, dan emisi karbon memiliki hubungan yang positif
terhadap variabel kebakaran hutan. Artinya bahwa semakin tinggi
kecepatan angin, suhu, dan emisi karbon menyebabkan kebakaran
hutan semakin tinggi, begitu juga sebaliknya. Sedangkan variabel
curah hujan memiliki hubungan negatif terhadap kebakaran hutan.
Artinya, semakin tinggi curah hujan menyebabkan kebakaran hutan
semakin kecil.
Kecepatan Angin (m/s^2) Curah Hujan (mm/hari)
400000
300000
200000
Kebakaran Hutan (Ha)
100000
1 2 3 0.00
4 0.15 0.30 0.45 0.60
Suhu (K) Emisi Karbon (g C/m^2 bulan)
400000
300000
200000
100000
298 299 300 301 302 0 300 600 900 1200
Gambar 4.3 Scatter Plot Variabel Kebakaran Hutan Terhadap Variabel Prediktor
(Kecepatan Angin, Curah Hujan, Suhu, dan Emisi Karbon)
Untuk mengidentifikasi pola hubungan lebih lanjut dilakukan

dengan analisis korelasi. Sehingga dapat diketahui variabel prediktor
yang memiliki pola hubungan signifikan terhadap kebakaran hutan.
Tabel 4.1 Korelasi Variabel Kebakaran Hutan dengan Variabel Prediktor
(Kecepatan Angin, Curah Hujan, Suhu, dan Emisi Karbon)
Kecepatan Curah Emisi
Suhu
Angin Hujan Karbon
Korelasi 0,158 -0,186 0,289 0,915
P-Value 0,000 0,000 0,000 0,000
Nilai P-Value untuk seluruh variabel bernilai nol (Tabel 4.1)
memiliki arti bahwa variabel kecepatan angin, curah hujan, suhu,
30
dan emisi karbon memiliki korelasi yang signifikan pada taraf
signifikansi (α) 0,05.
4.3 Pemodelan Kebakaran Hutan Menggunakan Regresi
Linier
Sebelum melakukan pemodelan kebakaran hutan dengan
metode Geographically-Temporally Weighted Regression (GTWR)
yang memperhatikan efek heterogenitas dan temporal. Terlebih
dahulu melakukan pemodelan kebakaran hutan menggunakan
regresi linier berganda tanpa memperhatikan efek heterogenitas dan
temporal guna membandingkan hasilnya.
Tabel 4.2 Analysis of Variance (ANOVA)
Source DF SS MS F P
Regression 4 1,197x1012 2,993 x1011 1927,78 0,000
Error 1475 2,289 x1011 155 x106
Total 1475 1,426 x1012
Tabel 4.2 merupakan hasil Analysis of Variance (ANOVA)
yang memberikan hasil bahwa dengan taraf signifikansi (α) sebesar
0,05 didapatkan P-Value kurang dari taraf signifikansi. Artinya
bahwa, minimal ada satu variabel yang berpengaruh signifikan
terhadap kebakaran hutan.
Setelah mengetahui bahwa terdapat minimal satu variabel yang
berpengaruh signifikan terhadap variabel kebakaran hutan,
kemudian dilakukan pengujian parsial untuk mengetahui variabel
mana saja yang berpengaruh signifikan terhadap variabel kebakaran
hutan.
Tabel 4.3 Estimasi dan Pengujian Parameter Model Regresi Linier
Predictor Coef T P VIF
Constant -541003 -3,41 0,001
Kecepatan Angin 1558 1,31 0,189 1,285
Curah Hujan 1835 0,49 0,624 1,270
Suhu 1799,4 3,39 0,001 1,394
Emisi Karbon 276,1 83,00 0,000 1,087
Nilai VIF keempat variabel tidak ada yang melebihi nilai 10
(Tabel 4.3). Hal ini menunjukkan bahwa pada model kebakaran
hutan tidak terdapat multikolinearitas antar variabel prediktor.
31
Kemudian pengujian signifikansi menggunakan taraf
signifikansi (α) sebesar 0,05 menghasilkan dua variabel yang nilai
P-Value kurang dari taraf signifikansi yaitu suhu dan emisi karbon.
Artinya bahwa kedua variabel tersebut berpengaruh signifikan
terhadap kebakaran hutan. Sedangkan kecepatan angin berpengaruh
signifikan terhadap kebakaran hutan pada taraf signifikansi (α)
sebesar 0,2. Namun curah hujan tidak memberikan pengaruh yang
signifikan terhadap kebakaran hutan. Berikut adalah model regresi
linier yang didapatkan.
𝑦̂ = −541003 + 1558𝑋1 + 1835𝑋2 + 1799,4𝑋3 + 276,1𝑋4 (4.1)
Keterangan :
X1 = Kecepatan Angin
X2 = Curah Hujan
X3 = Suhu
X4 = Emisi Karbon
Persamaan (4.1) menjelaskan bahwa setiap peningkatan satu satuan
pada kecepatan angin dan variabel lainnya dianggap konstan, maka
akan mengakibatkan peningkatan kebakaran hutan sebesar 1558 Ha.
Begitupun juga dengan variabel lainnya.
Model regresi linier diatas menghasilkan nilai koefisien
determinasi (R2) sebesar 83,9% dan MSE sebesar 155 x106. Artinya
bahwa variabel kecepatan angin, curah hujan, suhu, dan emisi
karbon dapat menjelaskan kebakaran hutan sebesar 83,9%,
sedangkan sisanya sebesar 16,1% dijelaskan oleh variabel lain yang
tidak dimasukkan kedalam model.
4.4 Pengujian Asumsi Model Regresi Linier
Terdapat asumsi residual yang harus dipenuhi dalam pemodelan
regresi linier yaitu residual bersifat identik, independen, dan
berdistribusi normal.
a Uji Identik
Pengujian identik menggunakan Uji Glejser bertujuan untuk
melihat apakah ada kesamaan varian dari residual untuk semua
pengamatan pada model regresi linier. Berdasarkan hasil Uji Glejser
dengan taraf signifikansi (α) 0,05 didapatkan nilai p-value sebesar
0,000 (Lampiran 3). Hal tersebut menandakan tidak identik karena
p-value kurang dari taraf signifikansi.
32
b Uji Independen
Pada pengujian independen dilakukan menggunakan uji
Durbin-Watson. Nilai Durbin-Watson yang didapatkan adalah
sebesar 1,565 (Lampiran 3). Dengan nilai DU dan DL sebesar 1,9095
dan 1,9178, maka dapat disimpulkan residual tidak indenpenden
karena nilai Durbin-Watson kuran dari DU.
c Uji Distribusi Normal
Pengujian distribusi normal digunakan untuk melihat apakah
residual bersifat normal atau tidak. Pengujian ini menggunakan uji
Kolmogorov-Smirnov. Dengan taraf signifikansi (α) 0,05 didapatkan
nilai p-value sebesar 0,01 (Lampiran 3). Hal tersebut menandakan
bahwa residual tidak berdistribusi normal karena p-value kurang dari
taraf signifikansi.
4.5 Pengujian Heterogenitas Spasial dan Temporal
Pengujian heterogenitas spasial dilakukan menggunakan
pengujian Breusch-Pagan untuk mengetahui adanya kasus
heterogenitas spasial. Hasil pengujian Breusch-Pagan memberikan
nilai sebesar 507,52 dengan p-value sebesar 2,2x10-16 (Lampiran 3).
Dengan taraf signifikansi (α) 0,05 maka dapat disimpulkan terdapat
heterogenitas spasial karena nilai p-value kurang dari taraf
signifikansi. Artinya bahwa lokasi atau titik pengamatan yang
berbeda cenderung memberikan perbedaan variasi pada kasus
kebakaran hutan.
Selanjutnya untuk melihat heterogenitas temporal dapat dilihat
menggunakan time series plot. Kebakaran hutan saat musim pertama
hingga musim keempat mengalami fluktuatif (Gambar 4.4) dimana
kebakaran terbanyak dan luasannya besar terdapat pada musim
kedua. Kemudian kebakaran hutan jumlahnya menurun mulai
musim ketiga hingga musim keempat. Oleh karena itu, dengan
adanya perbedaan musim dapat disimpulkan terdapat heterogenitas
temporal pada kebakaran hutan di Provinsi Riau.
33
2011 2011 2012 2013 2014 2015

1 4 4 4 4 4
1 2
400000
300000
200000
Kebakaran Hutan
100000
0
3 4
400000
300000
200000
100000
0
Musim 1 4 4 4 4 4
Tahun 2011 2011 2012 2013 2014 2015
Panel variable: Musim
Gambar 4.4 Time Series Plot Kebakaran Hutan Provinsi Riau Berdasarkan
Musim
4.6 Pemodelan Kebakaran Hutan Menggunakan

Geographically-Temporally Weighted Regression (GTWR)
Pemodelan kebakaran hutan menggunakan metode GTWR
dilakukan dengan perhitungan matriks pembobot. Tujuannya adalah
untuk mengakomodasi adanya efek heterogenitas spasial dan
temporal. Namun, sebelum melakukan perhitungan matriks
pembobot, terlebih dahulu menghitung matriks jarak Euclidean
dengan melakukan estimasi pada parameter τ secara iteratif
sebanyak 100 kali dengan nilai awal 0,05 dan nilai bandwidth spasial
(hs) sebesar 0,1484.
Gambar 4.5 Iterasi Estimasi Parameter τ

34
Pada Gambar 4.5 hasil iterasi estimasi parameter τ
menghasilkan parameter τ yang optimum sebesar 0,25 dengan nilai
R2 sebesar 0,9915 (Lampiran 4). Selanjutnya, nilai τ digunakan
untuk mengetahui perbandingan μ dan λ yang dihitung secara iteratif
dengan nilai awal μ sebesar 0,003 dan λ sebesar 0,012.
Gambar 4.6 Estimasi Parameter μ dan λ
Hasil yang didapatkan dari iterasi estimasi parameter μ dan λ

(Gambar 4.6) bahwa parameter μ dan λ yang optimum adalah 0,201
dan 0,804 dengan nilai R2 sebesar 0,9806 (Lampiran 5).
Setelah mendapatkan nilai estimasi parameter μ dan λ, maka
dapat dihitung nilai bandwidth spasial-temporal (hST) dengan hasil
sebesar 0.1331. Langkah selanjutnya adalah melakukan perhitungan
matriks pembobot untuk pemodelan kebakaran hutan di Provinsi
Riau.
Nilai prediksi kebakaran hutan di Provinsi Riau didapatkan
melalui estimasi parameter β berdasarkan persamaan (2.17) yang
selanjutnya di modelkan. Berikut ini adalah salah satu contoh model
GTWR kebakaran hutan Provinsi Riau di grid 12 pada saat musim
pertama hingga musim keempat tahun 2011.
𝑦̂1 = −363529 − 2971,1𝑋1 − 2418,21𝑋2 + 1228,54𝑋3 +
304,21𝑋4 (4.2)
𝑦̂2 = −9176462 + 10289,43𝑋1 − 197308𝑋2 + 3059,68𝑋3 +
345,13𝑋4 (4.3)
𝑦̂3 = 9363069 − 146946𝑋1 − 250960𝑋2 − 30067,3𝑋3 +
424,93𝑋4 (4.4)
35
𝑦̂4 = −230060 − 1692,9𝑋1 + 1287,46𝑋2 + 772,78𝑋3 +
463,46𝑋4 (4.5)
Keterangan :
𝑦̂1 = Kebakaran hutan musim pertama
𝑦̂2 = Kebakaran hutan musim kedua
𝑦̂3 = Kebakaran hutan musim ketiga
𝑦̂4 = Kebakaran hutan musim keempat
akan mengakibatkan penurunan kebakaran hutan sebesar 366500,1
Ha. Begitupun juga dengan variabel lainnya. Persamaan (4.3),
persamaan (4.4), dan persamaan (4.5) sama halnya dengan
persamaan (4.2).
Sebagai pembanding, pemodelan kebakaran hutan di tempat
dan waktu yang berbeda yaitu pada grid 13 tahun 2015 adalah
sebagai berikut.
𝑦̂1 = 4192906 − 3484,74𝑋1 + 14898,36𝑋2 − 13971𝑋3 +
304,81𝑋4 (4.6)
𝑦̂2 = −578400 + 5211,85𝑋1 − 336754𝑋2 + 2168,524𝑋3 +
315,17𝑋4 (4.7)
𝑦̂3 = 1499026 − 14166,1𝑋1 + 39554,3𝑋2 − 4907,88𝑋3 +
109,08𝑋4 (4.8)
𝑦̂4 = −333131 + 538,6𝑋1 + 5482,07𝑋2 + 1099,77𝑋3 +
109.99𝑋4 (4.9)
Keterangan :
𝑦̂1 = Kebakaran hutan musim pertama
𝑦̂2 = Kebakaran hutan musim kedua
𝑦̂3 = Kebakaran hutan musim ketiga
𝑦̂4 = Kebakaran hutan musim keempat
akan mengakibatkan penurunan kebakaran hutan sebesar
4196390,74 Ha. Begitupun juga dengan variabel lainnya. Persamaan
36
(4.7), persamaan (4.8), dan persamaan (4.9) sama halnya dengan
persamaan (4.6).
Signifikansi parameter kebakaran hutan diuji menggunakan
pengujian uji t. Dengan menggunakan taraf signifikansi (α) sebesar
0,05 maka didapatkan nilai Ttabel sebesar 1,9615. Parameter
signifikan apabila nilai Thitung > Ttabel. Berikut merupakan hasil
signifikansi parameter model GTWR grid 12 tahun 2011 yang
disajikan pada Tabel 4.4.
Tabel 4.4 Thitung Parameter Grid 12 Tahun 2011
Model Parameter Thitung Keterangan
b0 0,090035 Tidak
b1 0,062599 Tidak
b2 0,036000 Tidak
𝑦̂1
b3 0,090262 Tidak
b4 5,242704 Signifikan
b1 0,236718 Tidak
b2 1,446976 Tidak
𝑦̂2
𝑦̂3
b0 0,028780 Tidak
b1 0,034137 Tidak
𝑦̂4 b2 0,023357 Tidak
b3 0,028945 Tidak
Berikut merupakan signifikansi parameter pada model GTWR di

grid 13 tahun 2015 (Tabel 4.5).
37
Tabel 4.5 Thitung Parameter Grid 13 Tahun 2015
Model Parameter Thitung Keterangan
b0 1,106523 Tidak
b1 0,759308 Tidak
b2 0,244121 Tidak
𝑦̂1
b3 1,106857 Tidak
b0 0,131713 Tidak
b1 0,715300 Tidak
𝑦̂2
b3 0,149581 Tidak
b0 0,304035 Tidak
b2 0,366147 Tidak
𝑦̂3
b3 0,300124 Tidak
b0 0,078619 Tidak
b1 0,067232 Tidak
b2 0,105787 Tidak
𝑦̂4
b3 0,078168 Tidak
b4 0,676301 Tidak
Nilai Thitung dan Ttabel untuk seluruh parameter setiap grid disajikan
pada Lampiran 7.
Selanjutnya, dari keseluruhan nilai parameter pada setiap
grid di Provinsi Riau dapat dirangkum berdasarkan musim pada
Tabel 4.6 dibawah. Parameter pada setiap musim memiliki hasil
yang berbeda-beda (Tabel 4.6). Keseluruhan nilai parameter untuk
model setiap grid terlampir pada Lampiran 6. Perbedaan parameter
pada satu lokasi yang sama mengindikasikan bahwa adanya efek
heterogenitas temporal memberikan pengaruh terhadap pemodelan.
38
Tabel 4.6 Summary Parameter
Musim Parameter Mean StDev Min Max
b0 1911455 7261903 -2083427 51109965
b1 4144 13557 -18146 84041
1 b2 -29147 116122 -678756 131434
b3 -6382 24190 -170323 6759
b4 381,9 721,9 -2,5 5446
b0 -1285060 4714890 -26754764 14869073
b1 106 53930 -148539 226247
2 b2 -15984 130650 -730203 178095
b3 4294 15647 -49133 88102
b4 389,3 245 118,3 1575,6
b0 827445 9139040 -33559399 60688737
b1 -24733 89982 -511409 98822
3 b2 -19728 169744 -1135689 328615
b3 -2597 30207 -197999 113402
b4 350,5 251,7 47,3 1767,5
b0 -96371 516603 -3754468 501455
b1 818 5353 -13199 29277
4 b2 1230 5394 -1783 32153
b3 317,3 1715,4 -1715,1 12443,1
b4 365,8 599,1 3 3954,8
Nilai koefisien determinasi (R2) pada pemodelan kebakaran

hutan menggunakan GTWR memberikan hasil sebesar 98,68%
dengan nilai MSE sebesar 12,7 x106. Artinya bahwa variabel
kecepatan angin, curah hujan, suhu, dan emisi karbon dapat
menjelaskan kebakaran hutan sebesar 98,68%, sedangkan sisanya
sebesar 1,32% dijelaskan oleh variabel lain yang tidak dimasukkan
kedalam model. Nilai R2 pada pemodelan GTWR yang lebih besar
dibanding R2 pemodelan regresi linier dan nilai MSE yang lebih
rendah memberikan kesimpulan bahwa metode GTWR
menghasilkan model dan nilai prediksi yang lebih akurat
dibandingkan dengan metode regresi linier.
39
Selanjutnya hasil keseluruhan prediksi kebakaran hutan
Provinsi Riau dipetakan berdasarkan empat musim dan disajikan
pada Gambar 4.7 berikut ini.
(a)
(b)
40
(c)
(d)
Gambar 4.7 Deskripsi Prediksi Kebakaran Hutan Provinsi Riau Berdasarkan (a)
Musim 1, (b) Musim 2, (c) Musim 3, dan (d) Musim 4
Prediksi kebakaran hutan pada musim pertama dan musim

keempat jumlahnya lebih sedikit dibandingkan dengan musim kedua
dan musim ketiga. Hal itu disebabkan karena musim pertama dan
41
keempat adalah musim penghujan, sedangkan musim kedua dan
ketiga adalah musim kemarau. Kebakaran Provinsi Riau kebanyakan
terjadi pada Riau bagian utara yaitu daerah Kabupaten Rokan Hilir,
Kabupaten Bengkalis, dan Kabupaten Kepulauan Meranti.
Pemerintah Provinsi Riau diharapkan selalu memantau, mengawasi,
serta memberikan penanganan khusus bagi kabupaten-kabupaten
tersebut khususnya pada saat musim kemarau agar kedepannya
kebakaran hutan Provinsi Riau semakin lama semakin menyusut.
42

BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan tentang pemodelan
kebakaran hutan Provinsi Riau dengan metode GTWR, maka dapat
disimpulkan sebagai berikut.
1. Kebakaran hutan di Provinsi Riau mengalami peningkatan dari
tahun 2011 hingga 2013. Luas kebakaran yang yang
ditimbulkan yaitu dari 160000 Ha menjadi 300000 Ha. Hal itu
disebabkan oleh adanya fenomena alam yaitu El-Nino pada
tahun 2013 yang mengakibatkan suhu permukaan di Provinsi
Riau mengalami peningkatan. Lokasi terjadinya kebakaran
hutan kebanyakan terdapat di daerah Kabupaten Rokan Hilir.
Kemudian pada tahun 2014 dan 2015 kebakaran hutan Provinsi
Riau mengalami penurunan hingga 100000 Ha. Kejadian
kebakaran hutan tahun 2015 sifatnya lebih menyebar keseluruh
Provinsi Riau. Walaupun pada tahun 2015 fenomena El-Nino
masih terjadi dan dikategorikan El-Nino kuat, namun
pemerintah Provinsi Riau berhasil menekan terjadinya
kebakaran hutan melalui konsep penanganan kebakaran hutan
lahan Provinsi Riau.
2. Dalam memprediksi kebakaran hutan Provinsi Riau, metode
GTWR memberikan hasil yang lebih akurat dibandingkan
dengan metode regresi linier karena nilai R 2 nya lebih tinggi
sebesar 98.68% dan MSE yang lebih kecil sebesar 12,7 x106.
Perbedaan parameter pada setiap lokasi dan musim
menunjukkan bahwa terdapat efek heterogenitas spasial dan
temporal.
5.2 Saran
Saran yang dapat diberikan dari penelitian ini adalah sebagai
berikut.
1. Bagi pemerintah, memberikan penanganan khusus bagi
Kabupaten Rokan Hilir, Bengkalis, dan Kepulauan Meranti.
2. Bagi penelitian selanjutnya, meminimalkan data yang bernilai
nol agar memenuhi asumsi distribusi normal atau menggunakan
metode Zero Inflated Poisson (ZIP).
43
44

DAFTAR PUSTAKA
Aisyah, K. (2014). Pemodelan Konsentrasi Partikel Debu (Pm10)

pada Pencemaran Udara di Kota Surabaya dengan Metode
Geographically-Temporally Weighted Regression.
Surabaya: Institut Teknologi Sepuluh Nopember.
Anselin, L. (1998). Methods and Models. Dordrecht: Kluwer
Academik Publishers.
Balai Penelitian Kehutanan Banjarbaru. (2015). Bekantan
(Kebakaran Hutan dan Lahan): Akankah Menjadi Bahaya
Laten? Banjarbaru: Balai Penelitian Kehutanan Banjarbaru.
Barber, C. V., & Schweithelm, J. (2000). Trial by Fire: Forest Fires
and Forestry Policy in Indonesias Era of Crisis and Reform.
Washinton: World Resources Institute.
Cahyono, S. A., Warsito, S. P., Andayani, W., & Darwanto, D.
(2015). Faktor-Faktor yang Mempengaruhi Kebakaran
Hutan di Indonesia dan Implikasi Kebijakannya. Sylva
Lestari, 103-112.
Dennis, R. (1999). A Review of Fire Projects in Indonesia (1982—
1998). Bogor: Cifor.
Drapper, N. R., & Smith, H. (1991). Analisis Regresi Terapan.
Jakarta: PT. Gramedia Pustaka Utama.
Fotheringham, A. S., Brundson, C., & Charlton, M. E. (2002).
Geographically Weighted Regression: The Analysis of
Spatially Varying Relationship. England: John Wiley and
Sons LTd.
Gellert, P. K. (1998). A Brief History and Analysis of Indonesia's
Forest Fire Crisis. Southest Asia Program Publications at
Cornell University, 65, pp. 63-85. Ithaca.
Gujarati, D. (2003). Basic Econometrics. (S. Zain, Trans.) Jakarta:
Erlangga.
Huang, B., Wu, B., & Barry, M. (2010). Geographically and
Temporally Weighted Regression for Modelling Spatio-
Temporal Variation in House Prices. International Journal
of Geographical Information Science, 24, 383-401.
Irwandi, Jumani, & Ismail. (2016). Upaya Penanggulangan
Kebakaran Hutan dan Lahan di Desa Purwajaya Kecamatan
Loa Janan Kabupaten Kutai Kertanegara Kalimantan Timur.
45
46
Jurnal AGRIFOR. XV, p. 2. Samarinda: Universitas Tujuh
Belas Agustus Samarinda.
Latifah, R. N., & Pamungkas, A. (2013). Identifikasi Faktor-Faktor
Kerentanan Terhadap Bencana Kebakaran Hutan dan Lahan
di Kecamatan Liang Anggang Kota Banjarbaru. Jurnal
Teknik POMITS, 3-4.
Mapilata, E., Gandasasmita, K., & Djajakirana, G. (2013). Analisis
Daerah Rawan Kebakaran Hutan dan Lahan Dalam
Penataan Ruang di Kota Palangkaraya, Provinsi Kalimantan
Tengah. Globe, 178-184.
Rasyid, F. (2014). Permasalahan dan Dampak Kebakaran Hutan.
Jurnal Lingkar Widyaiswara Edisi 1, No 4, 47-59.
Sumargo, W. d. (2011). Keadaan Hutan Indonesia Periode Tahun
2000-2009. Jakarta: Forest Watch Indonesia.
Supari. (2015). Retrieved February 3, 2018, from Badan
Meteorologi, Klimatologi, dan Geofisika:
http://www.bmkg.go.id/bmkg_pusat/lain_lain/artikel/sejara
h_Dampak_El_Nino_di_Indonesia.bmkg
Walpole. (1993). Pengantar Statistika. Jakarta: Gramedia.
LAMPIRAN
Lampiran 1 Data Kebakaran Hutan Provinsi Riau
Keterangan :
KH : Kebakaran Hutan
KA : Kecepatan Angin
CH : Curah Hujan
S : Suhu
EK : Emisi Karbon
u : latitude
v : longitude
47
48
Lampiran 2 Output MINITAB : Korelasi Kebakaran Hutan dengan
Variabel Prediktor, Regresi Linier Berganda, dan Uji
Multikolinearitas
➢ Korelasi
➢ Regresi Linier
49
Lampiran 3 Pengujian Asumsi Residual IIDN (Output MINITAB)
dan Uji Heterogenitas Spasial (Output R)
➢ Uji Identik
➢ Uji Independen
➢ Uji Normalitas
Probability Plot of RESI1

Normal
99.99
Mean -1.43578E-09
StDev 12443
N 1480
99 KS 0.300
P-Value <0.010
95
80
Percent
50
20
5
1
0.01
-150000 -100000 -50000 0 50000 100000
RESI1
➢ Uji Heterogenitas Spasial
studentized Breusch-Pagan test
data: regr
BP = 507.52, df = 4, p-value < 2.2e-16
50
Lampiran 4 Hasil Iterasi 30 0.15 0.991174
Parameter τ 31 0.155 0.991247
Iterasi Tau R2 32 0.16 0.991305
1 0.005 0.960662 33 0.165 0.991352
2 0.01 0.96389 34 0.17 0.99139
3 0.015 0.966709 35 0.175 0.991419
4 0.02 0.969308 36 0.18 0.991443
5 0.025 0.971626 37 0.185 0.991463
6 0.03 0.973677 38 0.19 0.991478
7 0.035 0.975511 39 0.195 0.991491
8 0.04 0.977173 40 0.2 0.991501
9 0.045 0.978695 41 0.205 0.991509
10 0.05 0.980095 42 0.21 0.991516
11 0.055 0.981386 43 0.215 0.991522
12 0.06 0.982573 44 0.22 0.991527
13 0.065 0.983663 45 0.225 0.991531
14 0.07 0.984659 46 0.23 0.991534
15 0.075 0.985565 47 0.235 0.991536
16 0.08 0.986384 48 0.24 0.991538
17 0.085 0.987118 49 0.245 0.99154
18 0.09 0.98777 50 0.25 0.991541
19 0.095 0.988345 51 0.255 0.991542
20 0.1 0.988848 52 0.26 0.991543
21 0.105 0.989284 53 0.265 0.991544
22 0.11 0.989658 54 0.27 0.991544
23 0.115 0.989979 55 0.275 0.991545
24 0.12 0.990252 56 0.28 0.991545
25 0.125 0.990483 57 0.285 0.991545
26 0.13 0.990677 58 0.29 0.991545
27 0.135 0.990839 59 0.295 0.991545
28 0.14 0.990973 60 0.3 0.991546
29 0.145 0.991084 61 0.305 0.991546
51
62 0.31 0.991546 94 0.47 0.991546

63 0.315 0.991546 95 0.475 0.991546
64 0.32 0.991546 96 0.48 0.991546
65 0.325 0.991546 97 0.485 0.991546
66 0.33 0.991546 98 0.49 0.991546
67 0.335 0.991546 99 0.495 0.991546
68 0.34 0.991546 100 0.5 0.991546
69 0.345 0.991546
70 0.35 0.991546
71 0.355 0.991546
72 0.36 0.991546
73 0.365 0.991546
74 0.37 0.991546
75 0.375 0.991546
76 0.38 0.991546
77 0.385 0.991546
78 0.39 0.991546
79 0.395 0.991546
80 0.4 0.991546
81 0.405 0.991546
82 0.41 0.991546
83 0.415 0.991546
84 0.42 0.991546
85 0.425 0.991546
86 0.43 0.991546
87 0.435 0.991546
88 0.44 0.991546
89 0.445 0.991546
90 0.45 0.991546
91 0.455 0.991546
92 0.46 0.991546
93 0.465 0.991546
52
Lampiran 5 Hasil Iterasi 30 0.09 0.36 0.909498
Parameter μ dan λ 31 0.093 0.372 0.912274
Iterasi Miu Lamda R2 32 0.096 0.384 0.915007
1 0.003 0.012 0.839587 33 0.099 0.396 0.917694
2 0.006 0.024 0.840045 34 0.102 0.408 0.920332
3 0.009 0.036 0.840782 35 0.105 0.42 0.922921
4 0.012 0.048 0.841783 36 0.108 0.432 0.925458
5 0.015 0.06 0.843053 37 0.111 0.444 0.927944
6 0.018 0.072 0.844627 38 0.114 0.456 0.930378
7 0.021 0.084 0.846553 39 0.117 0.468 0.932761
8 0.024 0.096 0.848857 40 0.12 0.48 0.935093
9 0.027 0.108 0.851507 41 0.123 0.492 0.937378
10 0.03 0.12 0.854397 42 0.126 0.504 0.939617
11 0.033 0.132 0.857375 43 0.129 0.516 0.941814
12 0.036 0.144 0.860305 44 0.132 0.528 0.943972
13 0.039 0.156 0.863116 45 0.135 0.54 0.946092
14 0.042 0.168 0.865796 46 0.138 0.552 0.948175
15 0.045 0.18 0.868373 47 0.141 0.564 0.950223
16 0.048 0.192 0.870889 48 0.144 0.576 0.952234
17 0.051 0.204 0.873386 49 0.147 0.588 0.954207
18 0.054 0.216 0.875905 50 0.15 0.6 0.95614
19 0.057 0.228 0.878472 51 0.153 0.612 0.95803
20 0.06 0.24 0.881105 52 0.156 0.624 0.959875
21 0.063 0.252 0.88381 53 0.159 0.636 0.961671
22 0.066 0.264 0.886581 54 0.162 0.648 0.963413
23 0.069 0.276 0.889408 55 0.165 0.66 0.965098
24 0.072 0.288 0.892275 56 0.168 0.672 0.966723
25 0.075 0.3 0.895165 57 0.171 0.684 0.968285
26 0.078 0.312 0.898064 58 0.174 0.696 0.969783
27 0.081 0.324 0.900958 59 0.177 0.708 0.971215
28 0.084 0.336 0.903833 60 0.18 0.72 0.972584
29 0.087 0.348 0.906683 61 0.183 0.732 0.973891
53
62 0.186 0.744 0.975137 94 0.282 1.128 0.995094

63 0.189 0.756 0.976327 95 0.285 1.14 0.995336
64 0.192 0.768 0.977462 96 0.288 1.152 0.995565
65 0.195 0.78 0.978547 97 0.291 1.164 0.995783
66 0.198 0.792 0.979583 98 0.294 1.176 0.995989
67 0.201 0.804 0.980572 99 0.297 1.188 0.996184
68 0.204 0.816 0.981518 100 0.3 1.2 0.99637
69 0.207 0.828 0.982421
70 0.21 0.84 0.983283
71 0.213 0.852 0.984106
72 0.216 0.864 0.984891
73 0.219 0.876 0.985639
74 0.222 0.888 0.986352
75 0.225 0.9 0.987031
76 0.228 0.912 0.987678
77 0.231 0.924 0.988293
78 0.234 0.936 0.988878
79 0.237 0.948 0.989434
80 0.24 0.96 0.989963
81 0.243 0.972 0.990465
82 0.246 0.984 0.990942
83 0.249 0.996 0.991395
84 0.252 1.008 0.991826
85 0.255 1.02 0.992234
86 0.258 1.032 0.992622
87 0.261 1.044 0.992991
88 0.264 1.056 0.99334
89 0.267 1.068 0.993672
90 0.27 1.08 0.993987
91 0.273 1.092 0.994286
92 0.276 1.104 0.99457
93 0.279 1.116 0.994839
54
Lampiran 6 Nilai Prediksi Pemodelan GTWR Kebakaran Hutan
Provinsi Riau
Grid Musim Tahun ̂
𝒚
1 1 2011 104.8281
1 2 2011 3360.132
1 3 2011 932.2363
1 4 2011 0
...
...
...
...
1 1 2015 130.6054
1 2 2015 246.0268
1 3 2015 62.56996
1 4 2015 0
...
...
...
...
74 1 2011 145.3933
74 2 2011 0
74 3 2011 3394.922
74 4 2011 308.666
...
...
...
...
74 1 2015 160.0698
74 2 2015 160.6971
74 3 2015 0
74 4 2015 399.4458
55
Lampiran 7 Signifikansi Parameter Kebakaran Hutan
Grid Musim Tahun b0 b1 b2 b3 b4
0.02851 0.018751 0.052488 0.028338 1.372037
1 1 2011
Tidak Tidak Tidak Tidak Tidak
0.118177 0.377196 0.256111 0.115259 16.38652
1 2 2011
Tidak Tidak Tidak Tidak Signifikan
0.339248 1.455373 0.000256 0.343339 27.22338
1 3 2011
0.001624 0.00232 0.002057 0.001626 1.078149
1 4 2011
…
…
0.02851 0.018751 0.052488 0.028338 1.372037
1 1 2015
0.118177 0.377196 0.256111 0.115259 16.38652
1 2 2015
0.339248 1.455373 0.000256 0.343339 27.22338
1 3 2015
0.001624 0.00232 0.002057 0.001626 1.078149
1 4 2015
…
0.104144 0.03537 0.035331 0.104158 0.089582

74 1 2011
0.158477 0.256549 0.232865 0.168684 1.280347
74 2 2011
0.443373 0.368293 0.504665 0.445717 3.353362
74 3 2011
0.226905 0.060651 0.055231 0.228082 0.772575
74 4 2011
56
…
…
0.104144 0.03537 0.035331 0.104158 0.089582
74 1 2015
0.158477 0.256549 0.232865 0.168684 1.280347
74 2 2015
0.443373 0.368293 0.504665 0.445717 3.353362
74 3 2015
0.226905 0.060651 0.055231 0.228082 0.772575
74 4 2015
Keterangan :
Ttabel = 1.9615
Signifikan apabila Thitung > Ttabel
57
Lampiran 8 Syntax Deskripsi Kebakaran Hutan dengan Bubble
Chart Menggunakan software R
library(ggplot2)
# Open Data Kebakaran Hutan Setiap Tahun

data2011=read.csv("C:/Users/Syahrul Eka/Desktop/TA/Data
Musim Clear 2011.csv", header=TRUE, sep=",")
# input peta riau
riau=read.csv("E:/Riaubound.csv", header=FALSE, sep=",")
# input longitude latitude nama-nama kota di riau
kota=read.csv("E:/Kotariau.csv", header=TRUE, sep=",")
kota$Kota=as.character(kota$Kota)
kot=kota$Kota
# input longitude latitude lokasi kebakaran hutan, peta riau, dan
kota di riau
long=data2011$v
lat=data2011$u
longitude=riau[1]
latitude=riau[2]
lonn=kota$lon
latt=kota$lat
# input data kebakaran hutan per tahun
Kebakaran2011=data2011$KH
58
# Map Kebakaran Hutan 2011
ggplot() +
geom_polygon(data = riau, aes(longitude, latitude),
fill = "white", colour = "black") +
geom_point(data = data2011, shape = 21,
aes(long, lat, size = Kebakaran2011,
fill = Kebakaran2011, alpha = 0.5)) +
scale_fill_gradient(low = "yellow", high = "red") +
scale_size_area(max_size=20) +
geom_text(data=kota, aes(lonn, latt, label = kot), size=4)

ggplot() +

ggplot() +

ggplot() +
59

ggplot() +
# Open Data Kebakaran Hutan Setiap Musim

data1=read.csv("C:/Users/Syahrul Eka/Desktop/TA/Data Musim 1
Clear.csv", header=TRUE, sep=",")
long1=data1$v
lat1=data1$u
KebakaranM1=data1$KH
# Map Kebakaran Hutan Musim 1

ggplot() +
60
aes(long1, lat1, size = KebakaranM1,
fill = KebakaranM1, alpha = 0.5)) +

ggplot() +

ggplot() +

ggplot() +
61
Lampiran 9 Syntax Pemodelan Geographically-Temporally
Weighted Regression (GTWR) Menggunakan
software R
library(zoo)
library(RODBC)
library(sp)
library(lattice)
library(foreign)
library(maptools)
library(spgwr)
library(lmtest)
library(ape)
# Open Data dan Pemodelan Regresi Linier Berganda

data=read.csv("C:/Users/Syahrul Eka/Desktop/TA/Data Musim
head(data)
regr=lm(KH~KA+CH+S+EK, data=data)
summary(regr)
# Uji Heterogenitas Spatial
BP=bptest(regr)
BP
# Mendapatkan Nilai Bandwidht Berdasarkan Nilai CV yang
Minimum
bw.gauss=gwr.sel(KH~KA+CH+S+EK, data=data, coords =
cbind(data$u, data$v))
gwrl=gwr(KH~KA+CH+S+EK, data=data, coords = cbind(data$u,
data$v), bandwidth=bw.gauss, hatmatrix=TRUE)
# Iterasi Parameter τ
# input data yang diperlukan serta menyiapkan matrix kosong yang
diperlukan
l=as.matrix(data$u)
b=as.matrix(data$v)
t=as.matrix(data$Musim)
x0=matrix(1,ncol=1,nrow=1480)
x=cbind(x0, data$KA, data$CH, data$S, data$EK)
62
x=as.matrix(x)
y=as.matrix(data$KH)
n=length(y)
B=matrix(0,ncol=1480,nrow=5)
yhat=matrix(0,ncol=1,nrow=1480)
tau=matrix(0,ncol=1, nrow=100)
miu=matrix(0,ncol=1, nrow=100)
lamda=matrix(0,ncol=1, nrow=100)
rsq=matrix(0,ncol=1, nrow=100)
k=matrix(0,ncol=1480,nrow=1480)
# iterasi sebanyak 100 kali

for (s in 1:100)
{
tau[s]=s*0.005 # nilai tau awal sebesar 0.005
for (i in 1:n) # menghitung jarak Euclidean berdasarkan
persamaan (2.24)
{
for (j in 1:n)
{
k[j,i]=((l[i,]-l[j,])^2)+((b[i,]-b[j,])^2)+tau[s]*((t[i,]-t[j,])^2)
}
}
jarak=exp(-(k/0.1484^2)) # Berdasarkan persamaan (2.25)
for (i in 1:n) # Pemodelan berdasarkan persamaan (2.19)
{
v=diag(jarak[,i])
B[,i]=(solve(t(x)%*%v%*%x))%*%(t(x)%*%v%*%y)
yhat[i]=x[i,]%*%B[,i]
}
# perhitungan nilai rsquare per iterasi
SSE=sum((y-yhat)^2)
SST=sum((y-mean(y))^2)
SSR=SST-SSE
rsq[s]=SSR/SST
}
R.square=as.vector(rsq)
Tau=as.vector(tau)
63
plot(tau,R.square)
pasang=cbind(tau,rsq)
write.csv(pasang,file="f:/tau_optimum.csv")
# Iterasi Parameter μ dan λ

# input data yang diperlukan serta menyiapkan matrix kosong yang
diperlukan
l=as.matrix(data$u)
b=as.matrix(data$v)
x=as.matrix(x)
n=length(y)
mi=matrix(0,ncol=1, nrow=100)
lam=matrix(0,ncol=1, nrow=100)
rsq=matrix(0,ncol=1, nrow=100)
# Perhitungan iterasi miu da lamda sebanyak 100 kali

for(s in 1:100)
{
# pemilihan nilai miu lamda didasarkan dari nilai tau
mi[s]=s*0.003 # miu awal 0.003
lam[s]=s*0.012 # miu awal 0.012
for (i in 1:n) # menghitung jarak Euclidean berdasarkan persamaan
(2.26)
{
for (j in 1:n)
{k[j,i]=(lam[s]*((l[i,]-l[j,])^2+(b[i,]-b[j,])^2)+mi[s]*(t[i,]-
t[j,])^2)}
}
jarak= exp(-(k/0.1484^2))
#Estimasi parameter beta
for(i in 1:n)
64
{
v=diag(jarak[i,])
B[,i]=(solve(t(x)%*%v%*%x))%*%(t(x)%*%v%*%y)
yhat[i]= x[i,]%*%B[,i]
}
SSE= sum((y-yhat)^2)
SST=sum((y-mean(y))^2)
SSR=SST-SSE
rsq[s]=SSR/SST
}
R.Square=as.vector(rsq)
miu=as.vector(mi)
lamda=as.vector(lam)
par(mfrow=c(1,2))
plot(miu,R.Square)
plot(lamda,R.Square)
miulamda=cbind(miu,lamda,R.Square)
write.csv(miulamda,file="f:/miulamda_optimum.csv")
# Pemodelan GTWR
# input data dan matrix kosong yang diperlukan
data=read.csv("C:/Users/Syahrul Eka/Desktop/TA/Data Musim
l=as.matrix(data$u)
b=as.matrix(data$v)
x=as.matrix(x)
n=length(y)
S=matrix(0,ncol=1480,nrow=1480)
yh=matrix(0,ncol=1,nrow=1480)
Residual=matrix(0,ncol=1,nrow=1480)
D=matrix(0,ncol=1480,nrow=5)
D1=matrix(0,ncol=1480,nrow=1480)
65
D2=matrix(0,ncol=1480,nrow=1480)
se=matrix(0,ncol=1480,nrow=5)
sig=matrix(0,ncol=1480,nrow=5)
I=matrix(0,ncol=1480,nrow=1480)
Beta=matrix(0,ncol=1480,nrow=5)
# memasukkan nilai miu dan lamda optimum dalam persamaan
(2.23)
for (i in 1:n)
{
for (j in 1:n)
{k[j,i]=(0.804*((l[i,]-l[j,])^2+(b[i,]-b[j,])^2)+0.201*(t[i,]-t[j,])^2)}
}
hst=sqrt((0.1484^2)*0.804)
jar=exp(-(k/hst^2))
# Estimasi Parameter Beta

for (i in 1:n)
{
w=diag(jar[i,])
B[,i]=(solve(t(x)%*%w%*%x))%*%(t(x)%*%w%*%y)
S[i,]=x[i,]%*%solve(t(x)%*%w%*%x)%*%(t(x)%*%w)
yh[i,]=S[i,]%*%y
}
for (i in 1:n)
{
yhat[i]=x[i,]%*%B[,i]
Residual[i]=y[i]-yhat[i]
}
SSTb=sum((y-mean(y))^2)
SSE=sum((y-yhat)^2)
SSRb=sum((yhat-mean(y))^2)
R.Sq=SSRb/SSTb
for (i in 1:n)
{
for (j in 1:n)
{
if (i==j)
66
I[j,i]=1
else
I[j,i]=0
}
}
RSS=t(y)%*%t((I-S))%*%(I-S)%*%y
D1=(t(I-S))%*%(I-S)
D2=(t(I-S))%*%(I-S)%*%t((t(I-S))%*%(I-S))
d1=0
for (i in 1:n)
{
for (j in 1:n)
{
if (i==j)
D1[j,i]=D1[j,i]
else
D1[j,i]=0
d1=d1+D1[j,i]
}
}
d2=0
for (i in 1:n)
{
for (j in 1:n)
{
if (i==j)
D2[j,i]=D2[j,i]
else
D2[j,i]=0
d2=d2+D2[j,i]
}
}
Df=d1^2/d2
sigma2=sum((y-yh)^2)/Df
for (i in 1:n)
{
w=diag(jar[i,])
67
var=(solve(t(x)%*%w%*%x)%*%(t(x)%*%w))%*%t(solve(t(x)%
*%w%*%x)%*%(t(x)%*%w))*sigma2
se[,i]=sqrt(diag(var))
}
sig=abs(B/se)
# Pengujian Parsial Parameter

tabel=qt(0.05, Df)
for (o in 1:n)
{
for (p in 1:5)
{
if(abs(sig[p,o]>abs(tabel)))
Beta[p,o]=B[p,o]
else
Beta[p,o]=0
}
}
for (i in 1:n)
{
for (j in 1:5)
{
D[j,i]=se[j,i]*abs(tabel)
}
}
Lower=matrix(0,ncol=1480,nrow=5)
Upper=matrix(0,ncol=1480,nrow=5)
for (i in 1:n)
{
for (j in 1:5)
{
if (Beta[j,i]==0)
Lower[j,i]=Beta[j,i]
else
Lower[j,i]=Beta[j,i]-D[j,i]
}
}
for (i in 1:n)
68
{
for (j in 1:5)
{
if (Beta[j,i]==0)
Upper[j,i]=Beta[j,i]
else
Upper[j,i]=Beta[j,i]-D[j,i]
}
}
upper=t(Upper)
lower=t(Lower)
write.csv(Beta,file="e:/Beta.csv")
write.csv(B,file="e:/B.csv")
write.csv(se,file="e:/matrixSE.csv")
write.csv(yhat,file="e:/yhat.csv")
write.csv(jar,file="e:/bobot.csv")
write.csv(sig,file="e:/Thitung.csv")
write.csv(Residual,file="e:/Residual.csv")
write.csv(D,file="e:/CI.csv")
write.csv(upper,file="e:/upper.csv")
write.csv(lower,file="e:/lower.csv")
BIODATA PENULIS
Syahrul Eka Adi Laksana, atau biasa

dipanggil Syahrul. Begitulah nama
penulis yang dikaruniakan dari kedua
malaikat. Berasal dari “Kota Pisang”
atau biasa dikenal Kota Lumajang.
Lahir di Kota Manado pada tanggal 19
Oktober 1996 dan merupakan anak
pertama dari dua bersaudara. Selama di
kota Lumajang, penulis pernah
menempuh pendidikan di SDN
Ditotrunan 1 Lumajang (2003-2009),
SMPN 1 Lumajang (2009-2011),
SMAN 2 Lumajang (2011-2014).
Kemudian melanjutkan pendidikan di Institut Teknologi Sepuluh
Nopember Departemen Statistika melalui jalur SNMPTN. Selama di
Kampus Perjuangan Institut Teknologi Sepuluh Nopember, pada
tahun pertama hingga tahun ketiga, penulis aktif dalam bidang
organisasi yaitu Duacare dan Himpunan Mahasiswa Statistika ITS
(HIMASTA-ITS). Bukan hanya organisasi saja, penulis juga aktif
dalam mengikuti kepanitiaan yang salah satunya pernah memegang
Big Event Statistika ITS atau biasa dikenal dengan Pekan Raya
Statistika sebagai ketua pelaksana. Kemudian di tahun keempat,
penulis mulai aktif dalam mengikuti perlombaan serta publikasi
jurnal di dalam maupun luar negeri dan meraih berbagai prestasi.
Penulis juga berkesempatan bergabung dalam keluarga PT. Astra
International melalui jalur beasiswa yang biasa disebut beasiswa
Astra1st. Selama satu tahun terakhir, penulis mendapatkan berbagai
pengalaman untuk belajar lebih dekat dengan dunia kerja serta
pengalaman untuk pengembangan diri. Tak lupa penulis juga
mendapatkan banyak teman Astra1st Batch 7 yang hebat di seluruh
Indonesia
Penulis juga terbuka dalam menerima kritik dan saran yang
membangun demi kebaikan kedepan. Apabila ada yang ditanyakan
terkait penelitian ini, penulis dapat dihubungi melalui email
syahrulekaa19@gmail.com.

Pemodelan Kebakaran Hutan Di Provinsi Riau

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pemodelan Kebakaran Hutan Di Provinsi Riau

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS AKHIR – SS141501

PEMODELAN KEBAKARAN HUTAN DI PROVINSI RIAU

SYAHRUL EKA ADI LAKSANA

PROGRAM STUDI SARJANA

TUGAS AKHIR – SS141501

PEMODELAN KEBAKARAN HUTAN DI PROVINSI RIAU

SYAHRUL EKA ADI LAKSANA

PROGRAM STUDI SARJANA

MODELING OF FOREST FIRE IN RIAU PROVINCE

SYAHRUL EKA ADI LAKSANA

PEMODELAN KEBAKARAN HUTAN DI PROVINSI RIAU

Disetujui oleh Pembimbing :

Dr. Bambang Widjanarko Otok, S.Si, M,Si ( )

SURABAYA, JULI 2018

Nama Mahasiswa : Syahrul Eka Adi Laksana

Name : Syahrul Eka Adi Laksana

Puji syukur penulis panjatkan atas kehadirat Tuhan Yang Maha

Surabaya, Juli 2018

1.1 Latar Belakang

2.1 Statistika Deskriptif

Total 𝑛−1 ∑(𝑦𝑖 − 𝑦̅)2 −

Hipotesis yang digunakan untuk pengujian secara serentak adalah

dengan 𝑅 2𝑗 adalah koefisien determinasi antara variabel prediktor xj

Dimana ei merupakan residual least square untuk observasi ke-i dan

Gambar 2.1 Ilustrasi Jarak Spasial-Temporal

Parameter τ didapatkan melalui metode optimasi koefisien

4. Mendapatkan nilai estimasi β berdasarkan persamaan (2.19)

3. Menghitung nilai fungsi jarak pembobot yang diperoleh dari

4. Mendapatkan nilai estimasi β berdasarkan persamaan (2.19)

Sedangkan Mean Square Error (𝑀𝑆𝐸) digunakan untuk

(Halaman ini sengaja di kosongkan)

3.1 Sumber Data

Gambar 3.1 Peta Provinsi Riau

1 2011 74 u74 v74 y1461 x1,1461 x2,1461 x3,1461 x4,1461

3.3 Langkah Analisis Data

Mendeskripsikan karakteristik variabel respon dan variabel prediktor

Identifikasi pola hubungan variabel respon dengan variabel prediktor

Melakukan pemodelan regresi linier

Pengujian Pengujian Pengujian asumsi

Pengujian dependensi spasial, heterogenitas spasial dan

Menghitung jarak Estimasi Menentukan

Estimasi parameter GTWR

Pemilihan model dengan kriteria R2 dan MSE

Gambar 3.2 Diagram Analisis data

Pada bab ini membahas deskripsi dan pemodelan kebakaran

Deskripsi kebakaran hutan Provinsi Riau juga dipetakan

298 299 300 301 302 0 300 600 900 1200

Untuk mengidentifikasi pola hubungan lebih lanjut dilakukan

2011 2011 2012 2013 2014 2015

4.6 Pemodelan Kebakaran Hutan Menggunakan

Gambar 4.5 Iterasi Estimasi Parameter τ

Gambar 4.6 Estimasi Parameter μ dan λ

Hasil yang didapatkan dari iterasi estimasi parameter μ dan λ

Berikut merupakan signifikansi parameter pada model GTWR di

Nilai koefisien determinasi (R2) pada pemodelan kebakaran

Prediksi kebakaran hutan pada musim pertama dan musim

(Halaman ini sengaja di kosongkan)

(Halaman ini sengaja di kosongkan)

Aisyah, K. (2014). Pemodelan Konsentrasi Partikel Debu (Pm10)

Lampiran 1 Data Kebakaran Hutan Provinsi Riau

Probability Plot of RESI1

➢ Uji Heterogenitas Spasial

studentized Breusch-Pagan test