LOGO
Oleh :
Dosen Pembimbing :
Bayu Rezki Pratama NRP. 2507 100 113
Nani Kurniati NIP. 197504081998022001
Jurusan Teknik Industri Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember 1
1. Pendahuluan – Latar Belakang Paradigma bencana alam
Natural hazard
o Banjir, tanah longsor, angin badai, gunung meletus, tsunami diidentikkan dengan bencana alam
Peristiwa alam yang mempunyai peran ekologis
O’Keefe et al (1976) Bencana alam adalah perpaduan antara natural hazard dan vulnerable population
Cardona (2003) natural hazard adalah faktor eksternal; vulnerable population adalah faktor internal
“Bencana alam = peristiwa yang mengganggu masyarakat yang menyebabkan timbulnya korban, kerugian harta benda, dan dampak psikologis.” (UU no.24 th 2007) 2
1. Pendahuluan – Latar Belakang Konsep vulnerability Cutter (1996)
Kelman (2009) vulnerable population adalah faktor yang lebih dominan menyebabkan bencana alam
Masyarakat semakin rentan terhadap bencana alam
Proses kontrol terhadap vulnerability membutuhkan usaha yang menyeluruh, tidak hanya aspekTANGGAP DARURAT namun juga aspek KESIAPSIAGAAN
=
Manajemen bencana alam di INDONESIA UU n0 24 tahun 2007 BNPB (Badan Nasional Penanggulangan Bencana) 3
1. Pendahuluan – Latar Belakang Rencana Strategis BNPB Kendala dalam penganggulangan bencana alam di Indonesia adalah : 1. Kinerja aparat kelembagaan yang masih kurang 2. Kesadaran akan risiko bencana alam yang masih rendah Implementasi UU ??
Database Bencana Indonesia (DIBI) Jawa Timur adalah provinsi ketiga yang mengalami bencana alam paling banyak Disaster Assessment Estimasi profil suatu daerah berdasarkan parameter bencana tertentu
Vulnerability Analysis Untuk menaksir potensi kehilangan yang akan terjadi (korban, harta benda, dll) 4
1. Pendahuluan – Latar Belakang Vulnerability Analysis Data dalam beberapa periode terakhir di setiap kabupaten/kota
Tingkat vulnerability dari suatu kabupaten/kota menjadi terkuantifikasi sehingga meningkatkan kesadaran akan risiko bencana alam
Vulnerability Index (VI) Penentuan lokasi gudang logistik bencana
Gudang akan memberikan kontribusi positif pada peningkatan kinerja aparat kelembagaan khususnya dalam penyimpanan dan pendistribusian bantuan. 5
1. Pendahuluan Perumusan Masalah Bagaimana menentukan dan menganalisis tingkat kerentanan wilayah terhadap bencana alam melalui VI di setiap kabupaten/kota di Jawa Timur dengan metode DEA sebagai dasar pertimbangan penentuan lokasi gudang logistik bencana ? Tujuan Penelitian 1. Menentukan nilai VI setiap kabupaten/kota di Jawa Timur pada beberapa periode dengan metode DEA. 2. Menentukan lokasi gudang logistik bencana yang mempertimbangkan faktor kerentanan wilayah dengan metode absolute p-center. 6
1. Pendahuluan Manfaat Penelitian Terkuantifikasinya nilai VI setiap kabupaten/kota di Jawa Timur sebagai informasi penunjang dalam penentuan kebijakan penanggulangan bencana serta analisis penentuan lokasi gudang logistik bencana di Jawa Timur.
Batasan 1. 2. 3.
Digunakan tiga jenis natural hazard yaitu banjir, tanah longsor dan angin badai. Tidak dilakukan pembahasan mengenai jenis dan banyaknya pasokan serta alat transportasi yang digunakan. Periode kuantifikasi VI adalah mulai 2006 sampai 2009
Asumsi Hasil penentuan lokasi layak untuk ditempati oleh gudang logistik bencana 7
2. Tinjauan Pustaka A. Data Envelopment Analysis • DEA adalah teknik nonparametrik untuk mengevaluasi efisiensi dengan cara meninjau input yang digunakan dan output yang dihasilkan oleh sejumlah unit (DMU). • Indeks yang dihasilkan berkisar antara 0 sampai 1 • Model CCR diperkenalkan oleh Charnes, Cooper dan Rhodes pada 1978.
Persamaan linier programming
8
2. Tinjauan Pustaka B. Penelitian Terdahulu Hakasmanti (2007)
Menentukan lokasi posko bantuan dengan menggunakan metode p-median dengan mempertimbangkan jarak antara titik bantuan dengan taksiran korban melalui jumlah penduduk di titik bantuan.
Menghasilkan indikator vulnerability untuk Jawa Timur, mengkuantifikasi vulnerability tahun 2009 dengan metode pembobotan, dan menentukan lokasi gudang yang memperimbangkan jarak dan vulnerability
Wei et al. (2004)
Azlia (2010)
Mengkuantifikasikan vulnerability multi periode dengan metode DEA sebagai usulan agar pengukuran tingkat kerentanan wilayah terhadap bencana alam dilakukan dengan lebih objektif. 9
3. Metodologi Penelitian B
Mulai
Penentuan lokasi gudang logistik bencana berdasar VI historis Pengidentifikasian permasalahan
Penentuan lokasi gudang logistik bencana berdasar perubahan nilai rata-rata VI
A
Pembuatan model kuantifikasi VI dalam software Lingo
Analisis dan interpretasi data Perumusan permasalahan dan penetapan tujuan
Tahap identifikasi awal
Tidak Verifikasi model
Ya Tinjauan pustaka
Tahap pengumpulan dan pengolahan data
Penarikan kesimpulan dan saran
Pengukuran VI dengan software Lingo
Tahap analisis dan interpretasi data Pendefinisian vulnerability dan pengumpulan data indikator
A
Selesai Tahap penarikan kesimpulan dan saran B
10
B
3. Metodologi Penelitian Penentuan lokasi gudang logistik B bencana berdasar perubahan nilai rata-rata VI
Penentuan lokasi gudang logistik bencana berdasar VI historis
Penentuan jumlah gudang logistik bencana berdasar jarak cakupan dan VI
Analisis dan interpretasi data Tahap identifikasi awal Perataan beban cakupan untuk masing-masing lokasi terpilih
Tahap pengumpulan dan pengolahan data
Penarikan kesimpulan dan saran Analisis dan interpretasi data
Tahap analisis dan interpretasi data Selesai
Penarikan kesimpulan dan saran
Tahap penarikan kesimpulan dan saran
Selesai
11
4. Pengolahan Data - Vulnerability A. Pengukuran VI Pendefinisian Vulnerability o Vulnerability adalah potensi kehilangan terhadap dampak bencana alam. Potensi ini ditinjau dari kemampuan kabupaten/kota dalam menerima, bertahan, dan memulihkan diri dari dampak bencana jika bencana melanda wilayahnya.
Penentuan Indikator Vulnerability No
Indikator Vulnerability
1 2 3
Luas kawasan terbangun Kepadatan penduduk Jumlah penduduk miskin Jumlah pengangguran Jumlah buta huruf Jumlah penduduk yang bersekolah
4 5 6
(Azlia,2010)
Jenis Natural Hazard Tanah Angin Banjir Longsor Badai
No
Indikator Vulnerability
7
Jumlah penyandang cacat Jumlah penduduk balita Jumlah penduduk lanjut usia
8 9
10
11 12
Jumlah penduduk perempuan Jumlah tenaga medis Jumlah organisasi sosial
12
Jenis Natural Hazard Tanah Angin Banjir Longsor Badai
-
-
-
-
4. Pengolahan Data - Vulnerability Penggolongan Indikator Indikator Banjir dan Angin Badai Parameter Input
Output
Indikator Jumlah tenaga medis Jumlah organisasi sosial Jumlah penduduk yang bersekolah Kepadatan penduduk Jumlah penduduk miskin Jumlah buta huruf Jumlah pengangguran Jumlah penduduk perempuan Jumlah penyandang cacat Jumlah penduduk lanjut usia dan balita
Indikator Tanah Longsor Simbol Indikator x1 x2 x3 y1 y2 y3 y4 y5 y6 y7
Parameter Input
Indikator Jumlah tenaga medis Jumlah penduduk yang bersekolah Kepadatan penduduk Jumlah penduduk miskin Jumlah buta huruf Luas kawasan terbangun Jumlah penduduk perempuan
Output
Input = kemampuan yang dimiliki oleh kabupaten/kota untuk menghadapi bencana alam. Output = sebagai elemen yang dinilai rentan terhadap bencana alam. 13
Simbol Indikator x1 x2 y1 y2 y3 y4 y5
4. Pengolahan Data - Vulnerability Verifikasi Model Kuantifikasi Vulnerability Jika model telah benar maka ketika nilai input (x) dan output (y) dari semua DMU bernilai sama (misalnya = 1) maka vulnerability akan bernilai 1 untuk semua DMU yang dievaluasi.
Saat semua input (x) dinaikkan 2 kali lipat (misalnya = 2) dan nilai output (y) tetap (misalnya = 1) maka akan dihasilkan θ yang bernilai 0.5
14
4. Pengolahan Data - Vulnerability Memasukkan nilai input dan output pada model kuantifikasi DEA tahap I
Menyelesaikan dengan Lingo untuk setiap kabupaten/kota pada setiap tahun dan setiap jenis natural hazard
Mendaftar kabupaten/kota dengan nilai θi = 1 sebagai DMU yang dievaluasi pada tahap II
Menyelesaikan dengan Lingo untuk setiap kabupaten/kota pada setiap jenis natural hazard
Mendaftar nilai θi dan θt untuk menentukan VI setiap kabupaten/kota sesuai jenis natural hazard
VI = θi * θt
Menentukan nilai VI total dengan mengakumulasi nilai VI setiap jenis natural hazard
VI total = VIbanjir + VIbadai +VIlongsor 15
4. Pengolahan Data - Vulnerability 2.900
2.700
Vunnerability Index
2.500
2.300
2.100
1.900
1.700
1.500
2006
2007
2008
2009
Tahun 1.Pa cita n
2.Ponorogo
3.Trengga lek
4.Tulunga gung
5.Blita r
6.Kediri
7.Ma la ng
8.Luma ja ng
9.Jember
10.Ba nyuwa ngi
11.Bondowoso
12.Situbondo
13.Probolinggo
14.Pa surua n
15.Sidoa rjo
16.Mojokerto
17.Jomba ng
18.Nga njuk
19.Ma diun
20.Ma geta n
21.Nga wi
22.Bojonegoro
23.Tuba n
24.La monga n
25.Gresik
26.Ba ngka la n
27.Sa mpa ng
28.Pa meka san
29.Sumenep
30.Kota Kediri
31.Kota Blita r
32.Kota Ma la ng
33.Kota Probolinggo
34.Kota Pa surua n
35.Kota Mojokerto
36.Kota Ma diun
37.Kota Sura ba ya
38.Ba tu
16
5. Analisis - Vulnerability • Berdasarkan grafik Nilai VI per tahun, diperoleh bahwa tingkat kerentanan tidak statis melainkan mengalami dinamika. Hal ini dikarenakan nilai setiap indikator kerentanan mengalami perubahan mulai tahun 2006-2009. • Terdapat tiga kabupaten dengan nilai VI tertinggi setiap tahun dan VI rata-rata (20062009) yang tertinggi yaitu Bondowoso, Situbondo, dan Sampang. • Ketiga kabupaten tersebut tergolong kabupaten yang tidak padat penduduk. • Namun memiliki jumlah medis dan penduduk bersekolah yang rendah serta penduduk miskin dan buta huruf yang tinggi Nama Indikator Kepadatan penduduk 2006 Kepadatan penduduk 2007 Kepadatan penduduk 2008 Kepadatan penduduk 2009
Rata-rata
Bondowoso
Situbondo
Sampang
807
465
388
725
795
452
379
718
799
380
653
732
803
454
381
746
17
5. Analisis - Vulnerability Nama Indikator Jumlah medis 2006 Jumlah medis 2007 Jumlah medis 2008 Jumlah medis 2009
Rata -rata 1183
Bondowos o 788
Situbond o 500
Sampan g 489
1220
793
500
536
1234
795
471
536
715
259
234
214
Nama Indikator Jumlah penduduk bersekolah 2006 Jumlah penduduk bersekolah 2007 Jumlah penduduk bersekolah 2008 Jumlah penduduk bersekolah 2009
160000
350000
140000
300000
120000
Ratarata 201185
Bondowos o 126946
Situbond o 117330
214748
126701
118858
214001
214687
117950
194654
216314
203815
1333372
1200743
215295
Sampang 194087
250000
100000
Bondowoso
80000
Situbondo
60000
Sampang Rata-rata
40000
Bondowoso
200000
Situbondo 150000
Sampang Rata-rata
100000 50000
20000 0
0
2006
2007
2008
Jumlah Penduduk Miskin
2009
2006
2007
2008
2009
Jumlah Penduduk yang Buta Huruf 18
4. Pengolahan Data – Lokasi 13 gudang
Kemampuan Kemampuan Jumlah Cakupan Jumlah Cakupan No No Gudang Maksimal Gudang Maksimal (km) (km) 1 2 3 4
6 7 8 9
110 94 84 74
5 6 7 8
10 11 12 13
72 62 55 51
Menurut Azlia (2010), jarak cakupan gudang logistik bencana adalah 50-100 km.
6 gudang
19
Hasil dari perhitungan optimasi yang mempertimbangkan jarak cakupan
Hasil dari perhitungan yang mempertimbangkan keseragaman beban cakupan
4. Pengolahan Data – Lokasi Jumlah Gudang
Standard Deviasi Beban Cakupan Setelah Perataan
Standard Deviasi Beban Cakupan Sebelum Perataan
Perbaikan dari Hasil Optimasi
6 7 8 9 10 11 12 13
2.68 1.47 2.90 2.04 1.65 1.60 1.45 1.66
3.13 1.90 3.39 2.59 2.11 2.11 1.81 1.84
14.3% 22.4% 14.4% 21.4% 21.7% 24.2% 20.0% 9.8%
21
6. Kesimpulan dan Saran Kesimpulan 1. 2.
3.
4.
Tingkat vulnerability mengalami dinamika perubahan dari tahun ke tahun yang ditunjukkan dengan pergerakan nilai VI. Bondowoso, Situbondo, dan Sampang merupakan kabupaten dengan VI tertinggi setiap tahunnya dan VI rata-rata tertinggi. Hal ini disebabkan karena jumlah medis dan penduduk bersekolah yang hampir selalu kurang dari ratarata serta jumlah penduduk miskin dan buta huruf yang tinggi. Terdapat enam sampai tigabelas gudang yang mempunyai jarak cakupan maksimal berturut-turut 110, 94,84,74,72,62,55, dan 51 km yang ditempatkan di Jawa Timur dengan mempertimbangkan jarak dan tingkat kerentanan wilayah. Selang penempatan lokasi gudang telah diuji dengan menggunakan perubahan nilai VI sebesar ± 10% dan didapatkan tidak adanya pergeseran penempatan lokasi gudang yang keluar dari selang yang dibuat. 22
6. Kesimpulan dan Saran Saran 1. 2.
3.
Penentuan VI untuk beberapa periode yang akan datang dan untuk jenis natural hazard dan wilayah lainnya. Menentukan perencanaan gudang khususnya untuk jenis dan banyaknya persediaannya yang mempertimbangkan karakteristik bencana alam. Analisis sensitifitas yang lebih komprehensif mengenai perubahan VI berdasarkan perubahan nilai indikator.
23
7. Daftar Pustaka Anonim. (2007). Analisa Penyusunan Kinerja Makro Ekonomi dan Sosial Jawa Timur tahun 2006. Surabaya: Badan Pusat Statistik. Anonim. (2007). Provinsi Jawa Timur dalam Angka 2006. Surabaya: Badan Pusat Statistik. Anonim. (2007). Survei Sosial Ekonomi Nasional tahun 2006. Surabaya: Badan Pusat Statistik. Anonim. (2008). Analisa Penyusunan Kinerja Makro Ekonomi dan Sosial Jawa Timur tahun 2007. Surabaya: Badan Pusat Statistik. Anonim. (2008). Provinsi Jawa Timur dalam Angka 2007. Surabaya: Badan Pusat Statistik. Anonim. (2008). Survei Sosial Ekonomi Nasional tahun 2007. Surabaya: Badan Pusat Statistik. Anonim. (2009). Analisa Penyusunan Kinerja Makro Ekonomi dan Sosial Jawa Timur tahun 2008. Surabaya: Badan Pusat Statistik. Anonim. (2009). Provinsi Jawa Timur dalam Angka 2008. Surabaya: Badan Pusat Statistik. Anonim. (2009). Survei Sosial Ekonomi Nasional tahun 2008. Surabaya: Badan Pusat Statistik. Anonim. (2010). Analisa Penyusunan Kinerja Makro Ekonomi dan Sosial Jawa Timur tahun 2009. Surabaya: Badan Pusat Statistik. Anonim. (2010). Provinsi Jawa Timur dalam Angka 2009. Surabaya: Badan Pusat Statistik. Anonim. (2010). Rencana Strategis Badan Nasional Penanggulangan BencanaTahun 2010-2014. Jakarta: Badan Nasional Penanggulangan Bencana. Anonim. (2010). Survei Sosial Ekonomi Nasional tahun 2006. Surabaya: Badan Pusat Statistik. Azlia, W. (2010). Model Penentuan Lokasi Fasilitas Gudang Kesiapsiagaan untuk Bencana Alam dengan Mempertimbangkan Faktor Kerentanan Wilayah. Surabaya: Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember. Blaikie, P. T., Cannon, I., Davis, & Wisner, B. (1994). At Risk: Natural hazards, People's Vulnerability, and Disasters. London: Routledge. Cardona, O. D. (2003). The Need for Rethinking the Concepts of Vulnerability and Risk from a Holistic Perspective: A Necessary dan Critism for Effective Risk Management. London: J Ingleton (ed) Natural Disaster Management. Connor, R. F. (2006). Flood Vulnerability Index. Japan Water Forum. Cooper, W. W., Seiford, L. M., & Tone, K. (2007). Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References, and DEA-Solver Software. New York: Springer Science Business Media.
24
7. Daftar Pustaka Cutter, S. L. (1996). Vulnerability to Environmental Hazards. Progress in Human Geography , 529-539. Daskin, M. S. (1995). Network and Discrete Location - Model, Algorithms, and Applications. A Wiley Inter-Science Publication. Daskin, M. S., & Owen, S. H. (1999, July). Two New Location Covering Problems: The Partial P-Center Problem and the Partial Set Covering Problem. Geographical Analysis. Dibben, C., & Chester, D. K. (1999). Human Vulnerability in Volcanic Environments: the Case of Furnas, Sao Miguel, Azores. Journal of Volcanology and Geothermal Research , 133-150. Dwyer, A., Zoppou, C., Nielsen, C., Day, S., & Roberts, S. (2004). Quantifying Social Vulnerability: A Methodology for Identifying Those at Risk to Natural Hazards. Geoscience Australia Record. Hakasmanti, E. (2007). Analisis Penempatan Pusat Bantuan dan Posko- Posko Bantuan dengan Menggunakan Metode Covering Problem. Surabaya: Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember. Hillier, F. S., & Lieberman, G. J. (2000). Introduction to Operational Research. Mc Graw Hill. Kelman, I. (2009). Understanding Vulnerability to Understand Disasters. Lala, M. K., & Lala, K. R. (2006). Health After Disaster. Indian Journal of Community Medicine , 123-128. Lowe, C. J. (2010). Analysing Vulnerability to Volcanic Hazards: Application to St. Vincent. London: Department of Geography, University College London. Morrow, B. H. (1999). Identifying and Mapping Community Vulnerability. Disasters , 1-18. O'Keefe, P., Westgate, K., & Wisner, B. (1976). Taking the Naturalness Out. Nature , 566-567. Kelman, I. (2009). Understanding Vulnerability to Understand Disasters.
25
7. Daftar Pustaka Simpson, D. M., & Katirai, M. (2006). Indicator Issues and Proposed Framework for a Disaster Preparedness Index (DPi). Centre for Hazards Research and Policy Development, University of Louisville. Talluri, S. (2000). Data Envelopment Analysis: Models and Extensions. Silberman College of Business Administration, Fairleigh Dickinson University. Wei, Y. M., Fan, Y., Lu, C., & Tsai, H. T. (2004). The Assessment of Vulnerability to Natural Disaster In China by Using the DEA Method. Environmental Impact Assessment Review , 427–439. Yang, H. H., & Chang, C. Y. (2009). Using DEA Window Analysis to Measure Efficiencies of Taiwan’s Integrated Telecommunication Firms. Telecommunications Policy , 98–108.
26
27
Fractional Programming
Linier Programming
28
29
