Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Kebakaran hutan dan lahan merupakan salah satu jenis bencana yang selalu terjadi di Indonesia terutama di Pulau Sumatera dan Kalimantan dalam kurun waktu 18 tahun terakhir. Penelitian ini bertujuan untuk mengetahui hubungan antara variasi iklim, titik panas dan insiden ISPA pada bencana kebakaran hutan dan lahan di Provinsi Jambi, Kalimantan Barat, Kalimantan Selatan, Kalimantan Tengah, Riau dan Sumatera Selatan bulan Juli?November 2015. Penelitian ini merupakan studi korelasi dengan menggunakan data sekunder. Populasi penelitian adalah 81 kabupaten/kota di 6 provinsi terdampak kabut asap, sedangkan sampel adalah 21 kabupaten/kota yang memiliki data variasi iklim, titik panas dan insiden ISPA yang lengkap pada Juli-November 2015. Hasil analisis bivariat dengan regresi linear sederhana menunjukkan bahwa variabel yang berpengaruh secara signifikan terhadap insiden kasus ISPA adalah curah hujan (r = -0,294; nilai p = 0,013) dan suhu udara (r = 0,287; nilai p = 0,015). Hasil analisis multivariat dengan regresi linear ganda juga menunjukkan bahwa kedua variabel tersebut memiliki pengaruh yang signifikan terhadap insiden kasus ISPA (R2 = 0,143). Model persamaan regresi yang dihasilkan adalah YISPA= -6.338,007 - 181,439X1 (curah hujan) + 432,777X2 (suhu udara). Model regresi yang diperoleh dapat menjelaskan 14,3% variasi insiden ISPA selama bencana.

---

ABSTRAK
Land and forest fires is one type of disaster is always the case in Indonesia, particularly in Sumatra and Kalimantan within the last 18 years. This study aims to determine the relationship between climate variation, hotspots and incidence of ARI cases on forest fires and land disaster in the Province of Jambi, West Kalimantan, South Kalimantan, Central Kalimantan, Riau and South Sumatra on July to November 2015. This study is a correlation study using secondary data. The population is 81 district/cities in six provinces affected by smog, while the sample is 21 district/cities which have complete data variations in climate, hotspots and incidents ISPA in six provinces affected by smog. The results of the bivariate analysis with simple linear regression showed that the variables which significantly affect the incidence of ARI is rainfall (r = -0.294; p = 0.013) and air temperature (r = 0.287; p = 0.015). The results of multivariate analysis using multiple linear regression showed that both of them significantly affect the incidence of ARI (R2 = 0,143). The resulting regression model is YISPA= -6.338,007 - 181,439X1 (rainfall) + 432,777X2 (air temperature). The regression model obtained can explain 14,3% of the variation ISPA incidents during a disast

Abstrak :
ABSTRAK
Kebakaran hutan pada beberapa tahun terakhir ini telah menyebabkan berbagai macam masalah bagi keberlangsungan hidup manusia, binatang, maupun tumbuhan. Pada tahun 2015, tingkat kebakaran yang terjadi melebihi tingkat kebakaran hutan pada tahun-tahun sebelumnya. Untuk mengetahui tingkat kerusakan yang disebabkan oleh kebakaran hutan dapat dilakukan dengan menganalisa indeks vegetasi menggunakan data satelit dari pengindraan jarak jauh. Salah satu sensor satelit yang populer dalam pengindraan jarak jauh adalah sensor satelit National Oceanic and Athmospheric Administration (NOAA)/Advanced Very High Resolution Radiometer (AVHRR). Dalam penelitian ini, untuk menghitung indeks vegetasi digunakan algoritma Normalized Difference Vegetation Index (NDVI) dan Spectral Angle Mapper (SAM) pada data NOAA/AVHRR. Hasil analisis menampilkan level NDVI dan SAM sangat dipengaruhi oleh tingkat kebakaran hutan di Provinsi Jambi pada tahun 2015. Berdasarkan hasil analisis, diketahui pada bulan Januari rata-rata NDVI sebesar 0,024 dan presetase vegetasi SAM sebesar 11,91% dengan jumlah hotspot sebanyak 63 titik. Pada bulan Mei terjadi penurunan rata-rata NDVI menjadi 0,022 dan persentase vegetasi SAM sebesar 13,84% dengan jumlah hotspot sebanyak 50 titik. Perubahan pada bulan Mei tidak sesignifikan perubahan pada bulan agustus yaitu nilai rata-rata NDVI menjadi 0,018 dan persentase vegetasi SAM sebesar 8,76% dengan jumlah titik hotspot yang meningkat tajam sebanyak 320 titik.

---

ABSTRACT
Forest fire in recent years have led to various problems that damage the survival of living beings, i.e. human, animals and also plants. In 2015, the rate of forest fires in Indonesia exceeded the previous years level. To measure the damage level of forest fire, vegetation index could be analyzed using remote sensing satellite data. One of remote sensing satellite sensor that is popularly used is National Oceanic and Athmospheric Administration (NOAA)/Advanced Very High Resolution Radiometer (AVHRR) sensor. In this research the vegetation index is measured using Normalized Difference Vegetation Index (NDVI) and the Spectral Angle Mapper (SAM) algorithm based on NOAA/AVHRR data. Analysis result showed the level of NDVI and SAM has strong relationship to the forest fire occurrence in the Province of Jambi in 2015. Based on analysis result, on January it is shown that NDVI average was 0,024 and SAM vegetation percentage was 11,91% with 63 hotspots. On May, NDVI average decreased to 0,022 and SAM vegetation percentage was 13,84% with 50 hotspots. The result change on May was insignificant compared to the result on August with NDVI average of 0,018 and SAM vegetation percentage of 8,76% with the number of hotspot heavily increased to 320.

Abstrak :
Kebakaran hutan dan lahan adalah kejadian yang mengancam kehidupan dan mata pencaharian, mempengaruhi ekonomi nasional, dan memiliki potensi yang berdampak panjang pada manusia. Saat ini, 62 persen wilayah Kalimantan mengalami kerentanan kebakaran hebat, dengan kira-kira 10 persen dari wilayah tersebut memiliki kerentanan yang sangat tinggi. Untuk mengurangi dampak dari kebakaran hutan dan lahan terhadap kerusakan lingkungan dan manusia, analisis spasial dan temporal perlu dilakukan salah satunya menggunakan metode machine learning. Penelitian ini bertujuan untuk menganalisis pola spatio-temporal titik panas, hubungan antara titik panas dan unsur iklim, dan memproyeksikan potensi titik panas secara spatio-temporal di daerah Kalimantan Timur. Titik panas didapat dari database SiPongi selama periode 2013-2022 diklasifikasikan menggunakan emerging hotspot analysis. Data iklim dari model TerraClimate dengan resolusi 1/240 dinilai pada setiap pola titik panas yang ada dengan menghitung nilai korelasi dan determinasi pada setiap unsur, yaitu curah hujan, suhu maksimum, evapotranspirasi, kecepatan angin, dan kelembaban tanah. Forest-based forecast digunakan untuk melihat potensi titik panas menggunakan berdasar unsur iklim dan geografis lainnya di Kalimantan Timur. Pola sebaran titik panas di Kalimantan Timur secara spasial dari penelitian ini dapat diketahui memiliki pola yang terklasifikasikan atau mengelompok dengan karakteristiknya masing-masing. Hasil penelitian juga menunjukkan bahwa unsur iklim memiliki nilai yang berpengaruh terhadap penentuan lokasi titik panas. Proyeksi titik panas menggunakan machine learning algoritma random forest dalam penelitian ini dapat menunjukkan prakiraan titik panas dengan kesesuaian jumlah daerah potensi titik panas secara spatio-temporal ......Forest fires are events that threaten lives and livelihoods, affect national economies, and have the potential to have long-lasting impacts on people. Currently, 62 percent of Kalimantan is highly vulnerable to fires, with approximately 10 percent of the area experiencing very high vulnerability. To reduce the impact of forest fires on environmental and human damage, spatial and temporal analysis needs to be carried out, one of which is using machine learning methods. This study aims to analyze the spatio-temporal patterns of hotspots, the relationship between hotspots and climatic elements, and project hotspot potential spatio-temporally in the East Kalimantan region. Hot spots obtained from the Sipongi database for the period 2013-2022 are classified using emerging hotspot analysis. Climate data from the TerraClimate model with 1/240 resolution is assessed for each hotspot pattern by calculating the correlation and determination values for each element, namely rainfall, maximum temperature, evapotranspiration, wind speed, and soil moisture. Forest-based forecasts are used to see potential hotspots based on climate and other geographical elements in East Kalimantan. The spatial distribution pattern of hotspots in East Kalimantan from this study can be seen to have a pattern that is classified or grouped with their respective characteristics. The results also show that the climate element has a value that influences the location of hotspots. Hot spot projections using the machine learning random forest algorithm in this study can show hotspot predictions with the spatio-temporal suitability of the number of potential hot spot areas.

Abstrak :
Peristiwa kebakaran hutan dan lahan (karhutla) merupakan salah satu bencana yang terjadi secara berulang di Indonesia, khususnya saat musim kemarau. Peristiwa ini tentunya menimbulkan banyak kerugian baik secara ekonomi, ekologi, maupun sosial. Oleh karena itu, perlu dilakukan prakiraan di wilayah yang berpotensi mengalami karhutla. Salah satu provinsi yang rawan mengalami karhutla adalah Provinsi Sumatera Selatan. Peristiwa karhutla dapat dipantau oleh satelit yang diindikasikan sebagai titik panas. Penelitian ini menggunakan data hotspot (titik panas) dengan parameter tanggal, tingkat kepercayaan, dan kabupaten-kabupaten di Sumatera Selatan yang tertangkap satelit pada periode tahun 2015-2019. Prediksi potensi karhutla dilakukan di wilayah kabupaten dengan jumlah titik panas tertinggi yaitu Kabupaten Ogan Komering Ilir, Kabupaten Musi Banyuasin, dan Kabupaten Banyuasin. Untuk mencapai tujuan penelitian, penelitian ini menggunakan Prophet Forecasting Model (PFM) yang didasarkan pada model aditif dengan memperhatikan tiga komponen utama yaitu trend, seasonality, dan holiday effects. PFM merupakan metode yang menggunakan pendekatan machine learning dalam melakukan prediksi terhadap deret waktu dimana permasalahan forecasting dilihat sebagai curve-fitting exercise. Hasil analisis menunjukkan bahwa PFM dapat diimplementasikan pada data titik panas dengan penilaian forecast accuracy termasuk dalam kategori baik di Kabupaten Ogan Komering Ilir dengan nilai MAPE 0,1753; kategori layak di Kabupaten Musi Banyuasin dengan nilai MAPE 0,2588; dan kategori baik di Kabupaten Banyuasin dengan nilai MAPE 0,1833. ......Forest and land fires are one of the recurring disasters in Indonesia, especially during the dry season. This incident certainly caused many losses economically, ecologically, and socially. Therefore, it is necessary to make predictions in high potential areas for forest and land fires to occur. One province that is prone to forest and land fires is South Sumatra Province. Forest and land fires events can be monitored by satellites which are indicated as hotspots. This research uses hotspot data with parameters of date, level of confidence, and regencies in South Sumatra that are caught by satellites in the period 2015-2019. The prediction of the potential for forest and land fires was carried out in districts with the highest number of hotspots, namely Ogan Komering Ilir Regency, Musi Banyuasin Regency, and Banyuasin Regency. To achieve the research objectives, this study uses the Prophet Forecasting Model (PFM) which is based on additive model by taking into account three main components, namely trend, seasonality, and holiday effects. PFM is a method that uses a machine learning approach to predict time series where forecasting problems are seen as curve-fitting exercises. The results show that PFM can be implemented in hotspot data with forecast accuracy in the good category for Ogan Komering Ilir Regency with MAPE value of 0.1753; reasonable category in Musi Banyuasin Regency with MAPE value of 0.2588; and good category in Banyuasin Regency with MAPE value of 0.1833.

Abstrak :
Kebakaran hutan atau lahan dapat dideteksi dengan menggunakan teknologi penginderaan jauh, yaitu dengan melakukan pemantauan jumlah dan sebaran titik panas di suatu wilayah. Jumlah dan sebaran titik panas diperoleh dengan mengolah citra sensor satelit menggunakan algoritma konversi nilai digital data satelit menjadi suhu. Satelit yang dapat digunakan untuk pemantauan titik panas adalah satelit NOAA (National Oceanic and Atmospheric Administration) melalui sensor AVHRR (Advanced Very High Resolution Radiometer) dan sensor satelit MODIS (Moderate Resolution Imaging Spectro-Radiometer) yang dibawa oleh satelit Terra dan Aqua. Penentuan titik panas dihitung menggunakan metode yang dikembangkan oleh LAPAN untuk data MODIS dan Forest Fire Prevention and Control Project, Departemen Kehutanan RI, untuk data NOAA/AVHRR. Sementara suhu permukaan daratan, dihitung menggunakan metode yang dikembangkan oleh MAIA, Meteo Prancis. Sebaran titik panas dan suhu permukaan daratan disajikan dalam bentuk peta 2-dimensi yang diberi data geografis. Perbandingan antara peta sebaran titik panas dan suhu permukaan daratan juga dibahas dalam penelitian ini.

---

Forest fire or land surface temperature could be analyzed from satellite data using remote sensing technology. The number of hotspot and land surface temperature distribution could be retrieved from the data by converting the digital number into temperature. In this research, the hotspots are derived from NOAA (National Oceanic and Atmospheric Administration)/AVHRR (Advanced Very High Resolution Radiometer) and EOS (Earth Observing System) TERRA-AQUA/MODIS (Moderate Resolution Imaging Spectro-Radiometer) sensors. For MODIS data, the hotspot is calculated using an algorithm which is developed by LAPAN, and The Forest Fire Prevention and Control Project, Departemen Kehutanan RI, for NOAA/AVHRR data. The Land Surface Temperature (LST) is calculated using the MAIA algorithm which is developed by Meteo France. The hotspot and LST distribution is mapped into 2-D representation along with geographical information. The comparison of hotspot distribution and land surface temperature map is also investigated.