Dosen Pembimbing
Dr. Sutikno, S.Si, M.Si
Dr. Bambang Widjanarko Otok, S.Si, M.Si
i
ii
HALAMAN JUDUL
Dosen Pembimbing
Dr. Sutikno, S.Si, M.Si
Dr. Bambang Widjanarko Otok, S.Si, M.Si
iv
FINAL PROJECT – SS141501
Supervisor
Dr. Sutikno, S.Si, M.Si
Dr. Bambang Widjanarko Otok, S.Si, M.Si
UNDERGRADUATE PROGRAMME
DEPARTMENT OF STATISTICS
FACULTY OF MATHEMATICS, COMPUTING, AND DATA SCIENCE
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA 2018
v
(Halaman ini sengaja di kosongkan)
vi
LEMBAR PENGESAHAN
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
Mengetahui
Kepala Departemen
Dr. Suhartono
NIP. 19710929 199512 1 001
vii
(Halaman ini sengaja di kosongkan)
viii
PEMODELAN KEBAKARAN HUTAN DI PROVINSI RIAU
DENGAN METODE GEOGRAPHICALLY-TEMPORALLY
WEIGHTED REGRESSION
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
(Halaman ini sengaja di kosongkan)
x
MODELING OF FOREST FIRE IN RIAU PROVINCE
USING GEOGRAPHICALLY-TEMPORALLY WEIGHTED
REGRESSION
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
(Halaman ini sengaja di kosongkan)
xii
KATA PENGANTAR
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.
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
(Halaman ini sengaja di kosongkan)
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
(Halaman ini sengaja di kosongkan)
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
(Halaman ini sengaja di kosongkan)
xxii
BAB I
PENDAHULUAN
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
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
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
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
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.
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
…
…
...
...
...
...
Data
Mendapatkan model
Kesimpulan
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
(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
Gambar 4.3 Scatter Plot Variabel Kebakaran Hutan Terhadap Variabel Prediktor
(Kecepatan Angin, Curah Hujan, Suhu, dan Emisi Karbon)
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
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
(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
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
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
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
80
Percent
50
20
5
1
0.01
-150000 -100000 -50000 0 50000 100000
RESI1
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
...
...
...
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
Tidak Tidak Tidak Tidak Signifikan
0.001624 0.00232 0.002057 0.001626 1.078149
1 4 2011
Tidak Tidak Tidak Tidak Tidak
…
…
0.02851 0.018751 0.052488 0.028338 1.372037
1 1 2015
Tidak Tidak Tidak Tidak Tidak
0.118177 0.377196 0.256111 0.115259 16.38652
1 2 2015
Tidak Tidak Tidak Tidak Signifikan
0.339248 1.455373 0.000256 0.343339 27.22338
1 3 2015
Tidak Tidak Tidak Tidak Signifikan
0.001624 0.00232 0.002057 0.001626 1.078149
1 4 2015
Tidak Tidak Tidak Tidak Tidak
…
…
0.104144 0.03537 0.035331 0.104158 0.089582
74 1 2015
Tidak Tidak Tidak Tidak Tidak
0.158477 0.256549 0.232865 0.168684 1.280347
74 2 2015
Tidak Tidak Tidak Tidak Tidak
0.443373 0.368293 0.504665 0.445717 3.353362
74 3 2015
Tidak Tidak Tidak Tidak Signifikan
0.226905 0.060651 0.055231 0.228082 0.772575
74 4 2015
Tidak Tidak Tidak Tidak Tidak
Keterangan :
Ttabel = 1.9615
Signifikan apabila Thitung > Ttabel
57
Lampiran 8 Syntax Deskripsi Kebakaran Hutan dengan Bubble
Chart Menggunakan software R
library(ggplot2)
library(zoo)
library(RODBC)
library(sp)
library(lattice)
library(foreign)
library(maptools)
library(spgwr)
library(lmtest)
library(ape)
# 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)
# Pemodelan GTWR
# input data dan matrix kosong yang diperlukan
data=read.csv("C:/Users/Syahrul Eka/Desktop/TA/Data Musim
Clear.csv", header=TRUE, sep=",")
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$EK)
x=as.matrix(x)
y=as.matrix(data$KH)
n=length(y)
B=matrix(0,ncol=1480,nrow=5)
S=matrix(0,ncol=1480,nrow=1480)
yh=matrix(0,ncol=1,nrow=1480)
yhat=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)
k=matrix(0,ncol=1480,nrow=1480)
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))
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