BAB VI VERIFIKASI HOTSPOT DENGAN DETEKSI PENCILAN PROSEDUR XlZARIMA

BAB VI VERIFIKASI HOTSPOT DENGAN DETEKSI PENCILAN PROSEDUR XlZARIMA Verifikasi data hotspot yang diketahui ditetapkan secara arbitrer dengan treshold yang tidak @tap dicoba dilakukan dengan memanfaatkan prosedur XI2-ARIMA. Walaupun secara hipotetis penetapan titik ambang (mhold) sesuai dengan karakteristik api untuk setiap kawasan tertenh namun peluang kesalahan akibat ketakcukupan asumsi serta bias sensor menjadi alasan pentingnya penelitian ini.

6.1. Sebaran Hotspot dl Propinsi Riau Data hotspot sebagai indikator kebakaran hutan di Indonesia dapat diakses dari

beberapa provider. Penelitian ini memanfaatkin data yang bersumber dari Kementrian Lingkungan Hidup yang mengakses data LAPAN. Pa& Gambar 6.1 disampaikan sebaran hotspot yang tercatat dari tanggal 1 Januari 1998 sampai dengan 30 Juni 2005.

Gambar 6.1. Sebaran Hotspot dari 1 Januari 1998 sampai dengan 30 Juni 2005 Sebaran botspot tersebut digambarkan per tabun untuk

dapat melihat

kecenderungan perkembangan munculnya fenomena hotspot setiap tahun khususnya pada periode 1998-2005. Dari Gambar 6.1 terindikasi bahwa sebaran hotspot yang m c u l tahun 2000 &n 2005 terlihat paling rapat.

Untuk mengetabui jumlah

kemunculan fenomena hotspot di Propinsi Riau pada Gambar 6.2 disampaikan jumlah hotspot yang muncul setiap bulan selama periode 1998-2004.

Gambar 6.2. (a) Banyaknya Hospot setiap Bulan selama Periode 1998 - 2004 dan @) Rataan Hotrpot setiap Bulan pada Periode 1998-2004

Dari Gambar 6.2 diketahui bahwa hotspot paling sering muncul di bulan Maret dan Juli. Tigginya rataan jumlah hotspot setiap bulan pada bulan Maret terkait dengan anomali yang tejadi pada tahun 2000 dan 2002. Diduga ha1 ini terkait dengan hujan di wilayah Riau yang terlalu pendek pada m u s h hujan yang biasanya sampai bulan April atau m u s h kering yang datang Ieb'ih cepat Sementara itu, dari infonnasi plot data deret waktu NDVI pada vegetasi tanpa pengaruh hotspot diietahui bahwa NDVI maksimum umumnya dicapai pada pertengahan bulan Juni sampai Juli. Bulan Juli merupakan masa dimana umumnya suhu udara di wilayah tmpis seperti Indonesia termasuk Riau mencapai titik maksimum (Bowen et al., 2001). Hotspot ditetapkan

berdasarkan kana1 spektral thennal yang terkait dengan suhu kawasan. Oleh karena itu, maksimum munculnya hotspot pada bulan Juli sangat logis terkait dengan suhu

maksimum tahunan yang umumnya tejadi pada bulan Juni-Agustus. 6.2. Model Deret Wnktu di Loknsi dengnn Riwnyat Hotspot

Pemodelan deret waktu pada lokasi dengan riwayat hotspot dengan X12-ARIMA ini diharapkan menghasilkaa infonnasi penting tentang penganh hotspot terhadap deret data NDVI. Jumlah deret dengan riwayat hotspot yang dianalisis adalah sebanyak 34 deret piksel. Ketigapuluh empat deret ini dipiliih sedemikian rupa d~ database lokasi dengan riwayat hotspot. Model terpilih dan diagnosis dari 34 deret dengan riwayat hotspot disampaikaa pada Lampiran 2a dan 2b. Dsri basil pernodelan otomatis

berdasarkan prinsip TRAM0 yang dikembangkan oleh Gomez dan Maravall (1997) diperoleh hasil rekapitulasi pilihan model sehagaimana disampaikan pada Tabel 6.1. Tabel 6.1. Model Terpilih pada 34 Contoh Deret Data dengan Riwayat Hotspot MP-NDVI

MA-NDVI ---

No

Model

dercl

dewan 10-

tersebut

Pmratase

(-4

Juml'h deret dengan modd tenebut

Pcrseotase

(-4

Dari Tabel 6.1 diketahui bahwa altematif model terpilih terbanyak pada data rataan bulanan (MA-NDVI) adalah ARLMA (0 0 3)(0 0 0)12 dan ARIMA(1 1 2)(0 1 l)12 serta pada data maksimum (MP-NDVI) adalah AEUMA(1 0 0)(0 0 (2 1 0)(0 1

O)t2

dan ARIMA

Namun demikian, keempat model tersebut tidak dominan dari berbagai

altematif model yang dihasilkan dari berbagai deret contoh data yang dianalisis. Berbagai titik contoh yang berbeda cenderung menghasilkan model deret waktu ARIMA yang berbeda. Perbedaan model pada deret piksel yang berbeda dapat tejadi karena berbagai hal, antara lain: perbedaan komposisi vegetasi, umur tanaman, iklim

mikro tanaman, serta kondisi topografi tanaman yang berbeda dari setiap deret piksel. Berbagai ha1 tersebut memberikan peluang perbedaan model dari setiap deret piksel

data.

Dari seluruh contoh (34) deret dibagi atas model dengan status seasonal adjusfmenf yang diterima (accepted) dan yang tidak diterima (rejeced).

Pada

pemodelan dengan data rataan diketahui bahwa dari 34 contoh terdapat 5 deret melalui proses seasonal adjustment dan 29 deret tanpa seasonal adjustment. Sedangkan pada data maksimum, hanya ada 2 deret dengan proses seasonal adjustment dan 32 deret tidak melalui proses seasonal a&usfment. Penolakan karena alasan yang bervariasi dari berbagai alasan antara lain seasonal adjustment Quality Inder>lO, uji Ljung-Box terhadap sisaa1>36.40, KurtosiQ4.07,

galat peramalan Voremt errar)>lS%,

persenrase pencilan>10% dan Kombinasi statistik Q>1. Alasan terbanyak adalah karena tidak 1010s uji Kombinasi Statistik Q. SA Index, Ljung-Box, dan Kurtosis pada a=0.1% (0,001).

6.3.

Deteksi Pencilan pada Data dengan Riwayat Hotspot Setiap deret memiliki data riwayat kejadian hotspot yang tercatat dari tanggal 1

Januari sampai dengan Februari 2005. Namun demikian, pencilan yang terjadi setelah tanggal 3 1 Desember 2004 pada dasamya bukan sebagai sasaran utama untuk tujuan penelitian ini. Data riwayat hotspot menunjukkan tanggal-tanggal hotspot pa& periode tersebut di setiap piksel (deret). Tanggal kejadian hotspot ini menjadi dasar untuk pengujian kesesuaian tanggal riwayat hotspot dan hasil deteksi pencilan X12-ARIMA. Deteksi pencilan pada Prosedur X12-ARIMA akan diuji secara searah untuk memverifikasi kejadian hotspot. Dalam ha1 ini tidak dapat dilakukan pengujian kehandalan Prosedur Xl2-ARIMA dari sisi hasil deteksi model. Pengujian dilakukan dengan cara mencatat kejadiin hotspot yang terdeteksi dalam deret data dan selanjutnya mengidentifkasi kemampuan prosedur X12-ARIMA untuk mendeteksi bulan-bulan yang tercatat sebagai kejadian hotspot sebagai fenomena pencilan.

Pencilan yang

terdeteksi akan dicatat tipenya. Jika dalam pemodelan X12-ARIh4A tanggal-tanggal hotspot yang sehamsnya terdcteksi sebagai pencilan ternyata tidak terdeteksi sebagai pencilan, maka dapat dikatakan bahwa penggunaan deret NDVI dengaan prosedur X12-

ARIMA tidak cukup baik untuk menjadi altematif metode verifkasi hotspot.

Sebaliknya, jika dari deteksi pencilan X12-ARIMA ini beberapa tanggal-tanggal kejadian hotspot tercatat sebagai pencilan dengan tipe tertentu, maka dapat d i t a k a n babwa deteksi pencilan, maka prosedur X12-ARIMA &pat digunakan sebagai altematif metode untuk verifikasi hotspot. Secara ringkas hasil deteksi pencilan Prosedur X12ARIMA pada 34 deret data disampaikan pada Tabel 6.2 untuk data rataan dan Tabel 6.3 untuk data maksimum. Secara hipotetik diduga bahwa tipe pencilan akibat kejadian hotspot, jika benar hotspot adalahfirespot, akan bertipe TC atau LS. Sebagaimana disampaikan oleh Chen & Liu (1993) tipe TC memiliki dampak mengubah deret secara tiba-tiba kearah yang

berlawanan dengan pola normal dan selanjutnya swam perlahan pola deret akan kembali normal. Sementara itu, tipe LS memiliki dampak mengubah pola deret secara mendadak dan pola deret akan cenderung permanen karena shocking effect yang ditimbulkan oleh pencilan LS berdampak relatif panjang. Efek dari kejadian hotspot yang terverifikasi sebagai firespot dihipotesiskan tidak akan bertipe A 0 kecuali kebakaran bersifat sebentar, intensitas sangat rendah dan terlokalisir sehingga tidak sampai menimbulkan kemsakan vegetasi berarti. Tipe A 0 menghasilkan shocking effect yang bersifat sesaat terhadap pola deret. Pola ini tidak sesuai dengan pembahan kondisi vegetasi akibat kebakaran, dimana klorofil yang terepresentasikan dalam nilai NDVI berubah drastis diikuti recovery yang tidak dapat berlangsung cepat. Pemunbuhan tanaman baik bempa nunput, semak apalagi vegetasi pobon perlu waktu beberapa minggu untuk dapat menghasilkan peningkatan nilai NDVI dari piksel yang terkena pengaruh kebakaran. Jika tejadi deteksi pencilan kejadian hotspot bertipe AO, maka diduga yang tejadi adalah bias sensor atau kebakaran kecil yang terlokalisir. Hasil analisis deteksi pencilan pada data dengan riwayat hotspot pada data rataan disampaikan pada Tabel 6.2.

Dari 34 deret data rataan terdeteksi berbagai tipe pencilan. Tipe pencilan yang paling banyak terdeteksi adalah tipe A 0 dengan jumlah 25 pencilan dari 34 deret. Tipe pencilan kedua yang banyak terdeteksi adalah tipe LS dengan jumlah pencilan sebanyak 18 pencilan dari 34 deret. Tipe pencilan yang paling sedikit terdeteksi adalah tipe TC dengan jumlah pencilan terdeteksi sebanyak IS buah.

Banyahya tipe pencilan A 0 yang

terdeteksi dapat diartikan sebagai sensitifitas deret terhadap tipe pencilan A 0 yang relatif lebih tinggi dibandingkan terhadap tipe pencilan lain. Munculnya tipe pencilan A 0 pada deret NDVI dapat tejadi karena bias sensor, kesalahan transkripsi data dan berbagai bias lain. Sementara tipe TC dan LS hanya muncul jika ada faktor luar yang menginduksi terjadinya pencilan antara lain karena pembukaan lahan haik melalui pembakaran maupun tanpa pembakaran. Diduga tipe pencilan yang muncul karena pembukaan lahan melalui pembakaran akan berbeda dengan tipe pencilan karena pembukaan lahan tanpa melalui proses pembakaran karena adanya residu yaitu arang yang dihasilkan oleh kejadian kebakaran. Pada Tabel 6.2. ditunjukkan bahwa dari 34 deret data rataan yang memiliki riwayat hotspot, tidak terdapat satu pun deteksi pencilan yang sesuai dengan catatan kejadian hotspot. Berdasarkan pemyataan Bowen et al. (2001) diketahui hahwa hotspot tidak selalu sama dengan kebakaran. Namun anggapan hotspot sama dengan kebakaran dinilai sebagai suatu ha1 yang jamak. Kekuranghandalan metode X12-ARIMA untuk deteksi hotspot dan pengujian fenomena ini sebagai kejadian kebakaran dapat terjadi karena beberapa alasan berikut: (1) terkait dengan penetapan titik ambang: tingkat uncer!ainty hotspot sebagai penduga kebakaran tinggi karena threshold suhu untuk penetapan hotspot terlalu rendah, atau (2) terkait dengan resolusi citra: dampak berbagai kebakaran yang terepresentasikan dalam data hotspot secara spasial relatif kecil sehingga data NDVI SPOT VGT dengan resolusi spasial(1 km x 1 km) tidak dapat menduga pembahan vegetasi pada luasan yang terpapar kebakaran tersebut, atau intensitas kebakaran relatif rendah, atau (3) terkait dengan pilihan indeks, NDVI bukan indeks yang tepat untuk verifkasi hotspot, dan (4) terkait dengan teknik statistik yang digunakan, deteksi pencilan pada prosedur X12AIUMA dengan menggunakan data bulanan NDVI kurang sensitif terhadap efek kebakaran

vegetasi, sehingga perlu modifikasi peningkatan kemampuan prosedur.

Modifikasi

prosedur statistik diperlukan agar dapat menganalisis data harian atau sepuluh barian sehingga lebih sensitif terhadap pembahan akibat hotspot. Ringkasan basil deteksi pencilan pada MP-NDVI disampaikan pada Tabel 6.3.

Tabel 6.3. Jumlah dan Tanggal Kejadian Hotspot pada 34 Deret Data Maksimum Bulanan NDVI dan Hasil Deteksi Pencilan Prosedur X12ARIMA Cn.c.d.

N.

NW",b.,O, Dy,,l",

ho,,v, DII*.l"~hh.l.~Ol

*d.rn*l

11 1 1 " O I 1, 1210"Olll /1IB*OI>/

31161~1

1A711L2 S&T&I., 6sElo.L

I, irlollo>l) ,OoO""l

incw

e a??.!

IIBM, 12 *rn.bl I l *OX-bl I 4 *OX-l ti *OK2 ,d * O K 5

,lOlXlOO,

ma, a,4,

I

a!?? !:be

I

?cay

-.-I

i.lCY -~

ilo'xolL ,I12XOli,

'OR1x7-'

~

l0llK000, II113X0001 1001K0001

I

2 1

~

isba

I

ooonol?,

,

--

~ " ~ 0 1

--3

I

iOliXDll,

2

-

~

.

!-DP

'

17A022-6

~'02K0001

8' I~-iI?!0K?Si

19 rou-8

._..A i ~ > i x o io ~

10 A 0 4 1 0

,l~OX0001

1

ilna Jan+

&MI

ran45 LaJ.nM F c M

Q

A

~ ~ a ~ : ? a G..Wi ~ ^a &+w)~M.;xx~~-

&

"

0

A0

ilprP"

I

TC

1 ~ 1 4A10

~

-

0

" !j"P)"'~*+~--~--

0

9

0

! - ~ o?

O ~~~.

U

!

1 .

0 I I 0 1

FcM*

?!..+~nll E~xo~.. . . !.ba-x~ -...-.ba. I> A m > , llOaXOOOl 1 ,mot R - M U *on.,$ ,201XUOO1 I n m ~

~-~

0

0 0 0

0 0

I

0

O A O h b m

IS

0 ~~

TC

2

I

0

3 0

0

o

0

0

~

Noro)TC

~

~

u em in ~ e * ? S n i

*sn.l

~

~~

.

ram 10

IS

Junm

0

AD TC

Nam

~ n TC m

'A 1'

ROIlL A"'.'

"AL"

liZ% i m

0

c

~~

ro_a?E!-!L LV=-!

9I B~ N . I - ~ - ,100)(000, ~

o

I

~

I

, 3,

WL

~ J o 2

I

i

Ml.D,

I

i

M.*o~~

o

o

4

3

1M l P O i

,101,100"I i'OU00"

I

M.,Ol

~-

,004,011,

1

1,1141

1

52

0

8,

,

o o o

1

~~

~~

52

~~

-0 O 4

I

LS

~

~

~

~

~

E

'

~

~

.

..

.~

~

~ A , ~~ ~ ~~ ~G + ~ x ~ 6 ~i

~

~

-

~..

-

--

~

--

--

)Yam AO N ~ " - WTC -

-AO

N

~

-

Al u nO a-

~

~

. ..

--~-

~~~a TC ~

~

0nml0

---

--

~-

~

.

~

.

-.- .. --

~

M~?.~)U

MISAO

~~

~.

~

- ~-

----

0

c.,-

O

.~ ..

-

~

I

c

Nora,

o

I

~

pl!xa!!r i*oonlooi

.

~

-----

,lllXODO, RlOKOl l,

~

~

~. ..~

P -

15 A r n~~D 26 MPsl

~

~-

.

-

o -*o-Nam -..-. -.-- ....

I o o I

1

"

~

$

,I

I

IS

.

rpa -

~

O

;

~.

FbOl

TCF L

0 0 a,> i,b,U O A O w p l 0 A0 M.?m.-.~ 0

O

1

8 1 1

~

.... O. .... O~. P . o *o

I ~

,

rrb-

r.bn

0 I I

I

O

P

I

I

"2

~

I 0

~~~

l*MI

~

I 0

I

i.ba F.ba

5-bOl 1"-.

O

*6

~~~

~

~~

O

T~."dd.*.,..dlUtII..

alTC

1

I ~

0116

,

!r

,,,nu

I

.

!

.BCU_-~

~

I I I I

NYnb.r

N.mbcr

d*ed

(~ooxooo~

IAIX~ 2 A1W

-

luna

~~. .~ -~ ~~

~-

..-

~.

~

.

arm

M..4,

.~ ~.-

- ~~-~~ ~-~ ~

~

~

.-

~~

M!r9 . ~ ~ F ~ ~ ~ ~ ~ u l a + %py.e~=r.s~~o ? < + ~ ~ ~ ~g :a*am r ~9 ~ 'r+a-iEinaTCI~~~na b r i l l .~ -.. ~. ~ ~ i o r m r o_ - ! mra ic ~ ~ ~ m ~ ! ae r".o iSn-= 60 im.* ro ~ . ~ - ~o m a r m rc **.aic ~ a n o s ~

~~

~~

~

~

AD

.-

.- .--- . ~

~

m

__.. ~

1 O

ro

" A 0

L>

Keterangan : AO: additive outlier, LS: level shfl dan T C : transitoq change

ro a r w *-o

srmrc

*us=

-,lo

~~

~

A0

10 N."*

M!c!!ro-~srPa s p a

.

~.~ . .

~

-

..-

~-

Hasil deteksi pencilan dengan data maksimum menunjukkan adanya satu deteksi pencilan yang bersesuaian dengan data riwayat hotspot pada deret yang dianalisis. Tipe yang dihasilkan basil deteksi yang bersesuaian tersebut adalah tipe AO. Berdasarkan hipotesis awal diduga bahwa kejadian kebakaran tidak akan terdeteksi dengan tipe A 0

karena dampak tipe pencilan yang bersifat sesaat tidak sesuai dengan karakteristik vegetasi yang terbakar kecuali intensitas sangat kecil dan kejadian terlokalisir.

6.4. Dekomposisi Komponen Trend,Seasonal & Irregular pada Data dengan Riwayat Hotspot Dekomposisi komponen trend, seasonal don irregular diperlukan untuk memahami pentingnya peran komponen seasonal dalam deret. Ringkasan peran ketiga komponen tetsebut dalam deret data dengan riwayat botspot disampaikan pada Tabel

6.4. Secara umum peran dari 34 deret contoh yang diuji, keragaman dari setiap peran komponen sangat tinggi. Misalnya: pada data rataan (MA-NDVI), peran komponen irregular berada pada selang 1.34% sampai dengan 37.75% dengan rataan 15.55% dan koefisien keragaman (CV) 62%.

Koef~ienkeragaman pada seluruh komponen

termasuk sangat tinggi, yaitu di atas 50%. Pada data MA-NDVI peran terbesar pada komponen seasonal, sedangkan pada data MP-NDVI peran terbesar pada komponen prior ac$usfment d i i t i dengan peran komponen seasonal. Tigginya peran komponen

seasonal menunjukkan pemlangan musim dari setiap 1 periode waktu (1 tahun

=

12

data pengamatan) lebii terlihat. Pola perulangan musim pada data rataan (MA-NDVr) lebih jelas terliiat dibandingkan data maksimum (MY-NDVI). Dalam pemodelan NDVI ini, pada dasamya komponen TD diharapkan tidak berpengaruh, karena data yang dianalisis tidak terkait dengan aspek perekonomian yang tergantung pada hari aktif dalam kegiatan perekonomian. Namun demikian, tetap dilakukan pengujian peluang muncuhya pengaruh TD terhadap data khususnya jika hasil dekomposisi ternyata komponen utama (trend, seasonal dan irregular) masih menyisakan komponen yang tidak terjelaskan.

Takl6.4.Persentase Komponen Trend, Seasonal dan Irregular dalam Dekomposisi Deret Rataan dan M a k s i u m NDVI pada 34 T i t i k Contoh dengan Riwayat Hotspot

Dan keseluruhan hasil dihlnjukkan bahwa pengaruh TD dianggap sama dengan 0 kecuali pada beberapa pengamatan dimana dekomposisi dari komponen lain mash menimbulkan peluang perlu diperhitungkannya TD dalam dekomposisi deret tersebut. Pada data MA-NDVI dari 34 data yang dianalisis, 10 deret masih mempertimhangkan pengamh TD sementara pada data MP-NDVI dari 34 deret hanya 3 deret yang m s i h muncul pengarub TD. Pada berbagai deret dimana terdeteksi pencilan semakin hanyak,

maka nilai prior adjustment semakin baar. Transformasi data menjadi log juga memperbesar nilai komponenprior adjustment.

6.5. SeasonaliQ pada Data Deret NDVI dengan Riwayat Hotspot Seasonality mempakan salah satu yang menjadi alasan pemilihan model X12ARIMA disamping kemampuannya untuk melakukan dekomposisi deret dalam 3

komponen pentig, yaitu trend, seasonal dan irregular. Uji seasonality pada 34 deret contoh dengan riwayat hotspot menghasilkan ringkasan hasil uji seasonality sebagaimana disampaikan pada Tabel 6.5. Tabel 6.5.Ringkasan Hasil Uji Seasonality dan Moving Seasonality dari 34 Deret Contoh Rataan (MA-NDVI) dan Maksimum (MP-NDVI) dengan Riwayat

B 1 = data asli, D8 = data seosonal a&sted, Yang digaris bawah tidak nyata pada tingkat kepercayaan 95%

Hasil uji seosonaliry pada data rataan (MA-NDVI) menunjukkan keragaan berbeda dengan data maksimum (MP-NDVI). Secara umum, lebih dari 60% deret data MA-NDVI menunjukkan adanya gejala seasonalify. Hal ini menunjukkan pola musiman merupakan pola umum data MA-NDVI. Namun demikian, s e b a l i y a hanya

37% data MP-NDVI yang menunjukkan gejala seusonalify. Selanjutnya, tidak ada satu pun contoh data MA-NDVI yang nyata menunjukkan gejala moving seasonalify (moving year) dan sebaliknya 40% data MP-NDVI yang menunjukkan gejala moving seasonality.

Data MP-NDVI lebih sensitif terhadap

pergerakan m u s h antar tahun. Namun, secara umum perata-rataan dari 3 data sepuluh harian menyehabkan insensitifitas data terhadap pergerakan musim.