IV. HASIL DAN PEMBAHASAN

Transkripsi

1 IV. HASIL DAN PEMBAHASAN A. dan Sebaran Secara umum, hotspot merupakan istilah yang menggambarkan ambang minimal suhu pada titik tertentu dari suatu wilayah yang dapat terekam oleh satelit pendeteksi panas. Dengan pengertian tersebut maka hotspot yang terekam tersebut dijadikan salah satu indikator awal terjadinya kebakaran hutan dan lahan. Sebagai salah satu provinsi yang rawan kebakaran hutan, Kalimantan Barat memiliki jumlah hotspot yang cukup tinggi. Berdasarkan data yang terpantau pada Stasiun Bumi Satelit NOAA Direktorat Pengendalian Kebakaran Hutan Departemen Kehutanan, jumlah hotspot selama periode Tahun untuk wilayah Kalimantan Barat disajikan pada Tabel 3. Tabel 3 rata-rata hotspot bulanan di Provinsi Kalimantan Barat Tahun versi Direktorat Pengendalian Kebakaran Hutan Departemen Kehutanan Bulan Hotsopt Rata-Rata Januari Februari Maret April Mei Juni Juli Agustus Septembar Oktober November Desember Sumber : Direktorat Pengendalian Kebakaran Hutan Departemen Kehutanan, 29 Selain dari data hotspot yang dicatat pada Stasiun Bumi Satelit NOAA Direktorat Pengendalian Kebakaran Hutan Departemen Kehutanan, ASMC juga mencatat jumlah hotspot seperti pada Tabel 4.

2 33 Tabel 4 hotspot bulanan di Provinsi Kalimantan Barat Tahun versi Kementerian Lingkungan Hidup Bulan Rata-Rata Januari Februari Maret April Mei Juni Juli Agustus Septembar Oktober November Desember Sumber : Kantor Kementerian Lingkungan Hidup, 29 Posisi Provinsi Kalimantan Barat dibandingkan dengan provinsi lainnya di Indonesia dalam kurun waktu 5 tahun terakhir (24-28) menunjukkan kecenderungan yang semakin meningkat. Bahkan pada tahun 27 dan 28, Provinsi Kalimantan Barat berada pada posisi pertama yang memiliki jumlah hotspot terbanyak di Indonesia. Kecenderungan tersebut dapat dilihat dari jumlah hotspot di 1 provinsi yang paling banyak terdapat titik hotspot di Indonesia yang disajikan pada Gambar 4. Gambar 4 rata-rata hotspot tahun pada 1 Provinsi di Indonesia

3 34 Dari data hotspot lima tahun terakhir, kebakaran hutan dan lahan di Kalimantan Barat terjadi pada bulan Agustus dan September. Pada bulan-bulan tersebut, kegiatan pembersihan lahan dengan cara bakar dilakukan oleh masyarakat maupun perusahaan perkebunan dan kehutanan. Kondisi cuaca yag sangat kering dan rendahnya jumlah curah hujan sangat mempengaruhi luas hutan dan lahan yang terbakar. dan sebaran hotspot berdasarkan lokasi di Kalimantan Barat ditunjukkan melalui pembagian sebaran hotspot per kabupaten di Kalimantan Barat seperti pada Tabel 5. Tabel 5 hotspot bulanan per kabupaten di Provinsi Kalimantan Barat Tahun 26 Bulan No. Kabupaten Total Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 1 Bengkayang Kapuas Hulu Ketapang Kota Pontianak Kota Singkawang Landak Melawi Kab. Pontianak Sambas Sanggau Sekadau Sintang Sumber : Kantor Kementerian Lingkungan Hidup, 29 Dari Tabel 5 di atas menunjukkan bahwa Kabupaten Ketapang memiliki jumlah hotspot tertinggi di Kalimantan Barat pada tahun 26 yaitu hotspot disusul oleh Kabupaten Sintang sebanyak 991 hotspot. Artinya sekitar 4% hotspot di Kalimantan Barat berada di Kabupaten Ketapang. Sedangkan jumlah hotspot terendah berada di Kota Pontianak (4 hotspot) dan Kota Singkawang (5 hotspot).

4 35 Sekadau 8% Sanggau 8% Sintang 15% Bengkayang 3% Kapuas Hulu 4% Ketapang 4% Sambas 4% Melawi 6% Kab. Pontianak 8% Gambar 5 Persentase jumlah hotspot per kabupaten di Kalimantan Barat Dalam penelitian ini pemodelan spasial di lakukan dengan menggunakan data hotspot dari stasiun pengamatan ASMC. Hal ini didasarkan dari hasil penelitian Hadi (26) dan Thoha (26) yang menyatakan bahwa jarak rata-rata titik hotspot pengamatan JICA terhadap hotspot lapangan berbeda sangat nyata. Jarak rata-rata titik hotspot stasiun pengamatan ASMC terhadap titik hotspot di lapangan lebih dekat dibandingan dengan jarak rata-rata titik hotspot stasiun pengamatan JICA terhadap titik hotspot di lapangan. Dengan menggunakan data hotspot dari stasiun pengamatan ASMC sebagai rujukan dalam pembangunan model spasial penelitian ini maka diharapkan akurasi dari model tingkat kerawanan kebakaran yang dibangun akan memiliki bias yang lebih rendah. Landak 4% Kota Singkawang % Kota Pontianak % B. Pola Hubungan dan Curah Hujan Beberapa penelitian menunjukkan bahwa kebakaran hutan dan lahan di Indonesia disebabkan oleh aktivitas pembakaran oleh manusia baik masyarakat maupun perusahaan untuk kegiatan pembersihan lahan (land clearing). Meskipun demikian, faktor-faktor alam terutama keadaan iklim sangat menentukan terjadinya kebakaran hutan dan lahan. Rendahnya curah hujan merupakan salah satu kondisi iklim yang mempengaruhi kejadian kebakaran hutan dan lahan. Sebaliknya bila tingkat curah hujan tinggi, kejadian kebakaran hutan dan lahan menjadi sangat rendah. Curah

5 36 hujan memberikan kontribusi terhadap besar kecilnya kadar air dalam suatu bahan bakar sehingga memperlambat proses terjadinya kebakaran. Penelitian Adiningsih (25) mengungkapkan bahwa terdapat kecenderungan meningkatnya curah hujan berkaitan dengan makin menurunnya jumlah hotspot. Demikian pula dengan penelitian Sukmawati (26) di Kabupaten Pontianak mengenai hubungan curah hujan dan titik hotspot sebagai indikator terjadinya kebakaran mengungkapkan bahwa parameter curah hujan berpengaruh signifikan terhadap jumlah deteksi hotspot. Menurut Syaufina (28), kadar air bahan bakar menunjukkan jumlah air yang dikandung oleh partikel bahan bakar. Besar kecilnya bahan bakar merupakan faktor yang sangat berpengaruh terhadap perilaku api, terutama dalam kecepatan pembakaran dan kemampuan terbakar dari bahan bakar. Brown dan Davis (1973) menambahkan bahwa kadar air lebih besar atau sama dengan 3% dari bahan bakar dianggap aman terhadap bahaya kebakaran. Untuk menjelaskan hubungan tingkat kerawanan hutan dan lahan di Kalimantan Barat dengan curah hujan maka diperlukan data-data curah hujan yang ditunjukkan pada Tabel 6. Tabel 6 Curah Hujan Bulanan di Kalimantan Barat Tahun 26 Bulan Curah Hujan Pada Stasiun Pencatat Cuaca Ratarata Ptk Stg Plh Ktp Pts Nph Januari Februari Maret April Mei Juni Juli Agustus Septembar Oktober November Desember Rata-rata Sumber : Badan Meteorologi dan Geofisika Catatan : Ptk = Pontianak, Stg = Sintang, Plh = Paloh, Ktp = Ketapang, Pts = Putussibau dan Nph = Nanga Pinoh

6 37 Pada Tabel 6 menunjukkan bahwa rata-rata curah hujan bulanan tahun 26 berkisar antara 67 mm hingga 465 mm dengan curah hujan terendah pada bulan Agustus dan tertinggi pada bulan Desember. Rata-rata curah hujan tertinggi tercatat pada stasiun pengamat cuaca Putussibau (Pts) sebesar 331 mm sedangkan yang terendah pada stasiun pengamat cuaca di Ketapang (Ktp) sebesar 179 mm. Tabel 7 hari hujan bulanan di Kalimantan Barat Tahun 26 Bulan Hari Hujan Pada Stasiun Pemantau Cuaca Ratarata Ptk Stg Plh Ktp Pts Nph Januari Februari Maret April Mei Juni Juli Agustus Septembar Oktober November Desember Rata-rata Sumber : Badan Meteorologi dan Geofisika Catatan : Ptk = Pontianak, Stg = Sintang, Plh = Paloh, Ktp = Ketapang, Pts = Putussibau dan Nanga Pinoh (Nph) Dari data yang ditunjukkan pada Tabel 7, rata-rata hari hujan bulanan tahun 26 berkisar antara 7 hari hingga 26 hari dengan rata-rata hari hujan terendah pada bulan Agustus dan tertinggi pada bulan Desember. Rata-rata jumlah hari hujan tertinggi tercatat pada stasiun pengamat cuaca Putussibau (Pts) dan Nanga Pinoh (Nph) yaitu 17 hari sedangkan yang terendah pada stasiun pengamat cuaca di Ketapang (Ktp) dan Pontianak (Ptk) dengan 14 hari hujan. Pada Tabel 8 dapat diketahui bahwa rata-rata intensitas bulanan di Kalimantan Barat Tahun 26 berkisar antara 1,4 mm per hari hingga 18,6 mm per hari dengan rata-rata intensitas curah hujan terendah pada bulan Agustus dan tertinggi pada bulan Desember. Rata-rata intensitas curah hujan tertinggi tercatat pada stasiun pengamat cuaca Putussibau (Pts) sebesar sedangkan yang terendah pada stasiun pengamat cuaca di Ketapang (Ktp).

7 38 Tabel 8 Intensitas curah hujan bulanan di Kalimantan Barat Tahun 26 Bulan Intensitas Curah Hujan Pada Stasiun Pencatat Ratarata Cuaca (mm/hari) Ptk Stg Plh Ktp Pts Nph Januari Februari Maret April Mei Juni Juli Agustus Septembar Oktober November Desember Rata-rata Sumber : Badan Meteorologi dan Geofisika Catatan : Ptk = Pontianak, Stg = Sintang, Plh = Paloh, Ktp = Ketapang, Pts = Putussibau dan Nanga Pinoh Dari data cuaca pada tahun 26, terlihat bahwa terjadi dua kali puncak jumlah curah hujan terendah di Kalimantan Barat yaitu pada bulan Juli dan bulan Agustus sampai September. Kondisi ini agak berbeda dengan kondisi umum di mana musim penghujan berada pada bulan Oktober Maret dan musim kemarau berada pada bulan April September. hotsot bulanan rata-rata curah hujan Blanan rata-rata (mm/bulan) Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nop Des ASMC JICA Curah Hujan (mm/bulan) Gambar 6 curah hujan dan jumlah hotspot tahun 26 di Provinsi Kalimantan Barat

8 39 Dari Gambar 6 terlihat bahwa tingkat curah hujan rata-rata bulanan minimum tidak serta merta menyebabkan jumlah hotspot menjadi yang tertinggi. Curah hujan minimum terjadi pada bulan Juli namun jumlah hotspot tertinggi berada pada bulan Agustus. Ada jangka waktu 1 bulan antara bulan Juli dan Agustus sebagai proses pengeringan bahan bakar. Proses pengeringan mencapai puncaknya pada bulan Agustus yang merupakan kondisi ideal terjadinya kebakaran. Pada bulan Maret pengeringan bahan bakar tidak menurunkan jumlah hotspot secara signifikan karena pada bulan berikutnya jumlah curah hujan cukup tinggi. Puncak musim hujan di Kalimantan Barat terjadi pada bulan Desember yang memberikan kontribusi kandungan air yang cukup tinggi pada bahan bakar sehingga kejadian kebakaran sulit untuk terjadi. Hal ini dibuktikan dengan jumlah hotspot terendah selama tahun 26 terjadi pada bulan Desember. Gambar 7 Hubungan antara jumlah curah hujan dengan jumlah hotspot Dengan menggunakan analisis regresi (Gambar 7) terlihat hubungan yang nyata antara curah hujan dengan titik panas. Bentuk hubungan terbaik ditunjukkan dengan pola exponential yang memiliki koefisien determinasi (R 2 ) regresi sebesar 63.5 % sehingga dapat dikatakan bahwa curah hujan hanya dapat menjelaskan sebagian dari kejadian hotspot. Hal ini menunjukkan adanya faktor-faktor lain yang juga mempengaruhi terjadinya hotspot di Kalimantan Barat.

9 4 Gambar 7 Hubungan antara jumlah hari hujan dengan jumlah hotspot Selain jumlah curah hujan, pengaruh lain yang perlu dipertimbangkan adalah banyaknya hari hujan yang terjadi dalam satu bulan karena memiliki pengaruh yang nyata terhadap hotspot. Dalam Gambar 8 terlihat bahwa koefisien determinasi (R 2 ) regresi dengan model exponential memiliki nilai 72,8 persen. Nilai R 2 antara hari hujan bulanan dan titik hotspot lebih tinggi dibandingkan dengan nilai R 2 jumlah curah hujan bulanan. Gambar 1 Hubungan antara intensitas curah hujan dengan jumlah hotspot

10 41 Berbeda dengan faktor curah hujan dan hari hujan, hubungan intensitas curah hujan dan jumlah hotspot hanya memiliki koefisien determinasi (R 2 ) sebesar 4.9 % dengan model hubungan exponential. Gambar 9 menunjukkan bahwa intensitas curah hujan tidak memiliki hubungan yang nyata dengan banyaknya jumlah hotpsot yang terjadi. Selain curah hujan, peristiwa penyimpangan iklim menjadi faktor penting lain yang menentukan tingkat resiko terjadinya kebakaran hutan dan lahan. Bentuk penyimpangan iklim tersebut antara lain fenomena El-Nino. Peristiwa El Nino tahun 1997/1998 merupakan contoh penyimpangan iklim yang memberikan dampak kerusakan yang sangat besar. Pada tahun 26, gejala El Nino juga terjadi walaupun tidak sehebat kejadian kebakaran tahun 1997/1998. Gejala tersebut ditunjukkan dengan rendahnya curah hujan dan musim kemarau yang lebih panjang. Hal ini diperkuat oleh data hotspot 5 tahun terakhir (24-28) di mana pada tahun 26, jumlah hotspot merupakan yang terbanyak. C. Hubungan Kepadatan Dengan Beberapa Variabel Penyebab Kebakaran 1. Kepadatan hotspot dan jarak dari kota Hubungan antara jarak dari pusat kota dengan jumlah hotspot memperlihatkan bahwa tingkat kepadatan hotspot semakin berkurang bila semakin jauh dari pusat kota. Hal ini berarti tingkat kepadatan hotspot sangat dipengaruhi oleh kedekatan dengan pusat kota yang merupakan pusat aktivitas manusia. Faktor alam sedikit menunjukkan pengaruhnya karena kepadatan hotspot yang semakin menurun dengan bertambahnya jarak. Dengan kata lain, tanpa pengaruh aktivitas manusia, kebakaran hutan dan lahan sangat kecil kemungkinan untuk terjadi di Kalimantan Barat. Dari Tabel 9 dan Gambar 1 memperlihatkan bahwa koefisien determinasi (R 2 ) regresi terbaik ditunjukkan dengan model yang memiliki nilai hingga 97,8%. Nilai ini menjelaskan bahwa kedekatan dengan pusat kota mempengaruhi tingginya kepadatan hotspot yang terjadi di Kalimantan Barat.

11 42 Tabel 9 Kepadatan hotspot berdasarkan jarak dari pusat kota Jarak Kota (km) Luas (Ha) Kepadatan (HS/km2) Jarak Kota (km) Luas (Ha) Kepadatan (HS/km2) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,4 K e p a d a t a n H o t s p o t ( H S / K m 2 ),7,6,5,4,3,2,1 y = 1E-6x 3-6E-5x 2 -,x +,66 R² =,978, Jarak dari pusat kota (Km) HS/Km2 Poly. (HS/Km2) Gambar 1 Pola hubungan kepadatan hotspot (km 2 ) terhadap jarak dari pusat kota

12 43 Untuk dapat menjelaskan lebih mendalam mengenai hubungan hotspot dengan jarak terhadap pusat kota maka perlu dipisahkan antara ibu kota provinsi, ibu kota kabupaten dan ibu kota kecamatan. Dari hasil overlay antara titik hotspot dengan buffer pada masing-masing tingkatan kota maka maka dapat dijabarkan bahwa kepadatan hotspot di tingkat ibu kota provinsi tidak terlihat hingga jarak lebih dari 5 km. Table 1 Kepadatan hotspot berdasarkan jarak dari beberapa kelas kota Jarak dari pusat kota 1 m 1 2 m 2 3 m 3 4 m 4 5 m 5 6 m 6 7 m 7 8 m 8 9 m 9 1 m Provinsi Kabupaten Kecamatan JH HD JH HD JH HD * JH =, HD = Density ,6 Kepadatan per km2,5,4,3,2,1,,38,,291,34,351,28,35,526,38,284,,,,,,442,353,37,31,25,47,426,33,31,29,,, Jarak terhadap pusat kota (km) Ibu Kota Prropinsi Ibu Kota kabupaten Ibu Kota Kecamatan Gambar 11 Kepadatan hotspot pada ibu kota provinsi, ibu kota kabupaten dan ibu kota kecamatan pada 1 km pertama Untuk kepadatan hotspot dari pusat kota kabupaten, hotspot tidak terlihat pada jarak 1 km namun kepadatan hotspot semakin meningkat dan kemudian mengalami penurunan dengan bertambahnya jarak dari pusat kota kabupaten.

13 44 Untuk ibu kota kecamatan menunjukkan bahwa semakin dekat dengan pusat kota, semakin tinggi tingkat kepadatan hotspot. Berdasarkan pola hubungan di atas maka strategi dan kebijakan penanggulangan kebakaran hutan dan lahan perlu memperhatikan data-data di atas. Pola hubungan ini menggambarkan bahwa tingkat pengawasan terhadap aktivitas pembakaran semakin rendah pada kota dengan semakin rendah tingkatannya. Bahkan untuk jarak dari kecamatan kepadatan hotspot yang tertinggi berada di pusat kecamatan. Skala prioritas kebijakan penanggulangan kebakaran hutan dan lahan lebih banyak berorientasi pada kebijakan pusat dan provinsi perlu dikaji ulang. Hal ini ditunjukkan dengan banyaknya sarana dan prasarana untuk kegiatan penanggulangan kebakaran berada pada ibu kota provinsi. Selain itu, kelembagaan pemadaman kebakaran hanya kokoh pada tataran provinsi sedangkan di tingkat kabupaten dan kecamatan. Sumber daya manusia yang berkompeten dengan bidang kebakaran hutan dan lahan tidak terdistribusi hingga ke wilayah kabupaten. Oleh karena itu dalam pengambilan kebijakan perlu ditekankan pada pembangunan kebijakan penanggulanan kebakaran hutan dan lahan untuk memprioritaskan lembaga di tingkat kecamatan untuk memegang kendali dalam upaya-upaya penanggulangan kebakaran di tingkat implementasi dan untuk tingkat pengambil kebijakan, peran pemerintah kabupaten harus menjadi prioritas utama. 2. Kepadatan hotspot dan jarak dari pusat desa Semakin dekat jarak dari pusat desa maka tingkat kepadatan hotspot semakin tinggi. Di daerah Kalimantan Barat, jarak 3 km dari pusat kota merupakan wilayah dengan tingkat kepadatan tertinggi. Kepadatan hotspot akan semakin rendah dengan bertambahnya jarak dari pusat kota. Gambar 12. memperkuat pernyataan di atas di mana terdapat hubungan yang erat antara jarak dari pusat desa dengan titik hotspot. Model polinomial menjelaskan bahwa koefisien determinasi (R 2 ) regresi memiliki bilai 96,3%.

14 45 Tabel 11 Kepadatan hotspot berdasarkan jarak dari pusat desa Jarak Desa (km) Luas (Ha) Kepadatan (HS/km2) Jarak Desa (km) Luas (Ha) Kepadatan (HS/km2) ,8 27, , , , , , , , , , , , , , , , ,5 33, , ,1 26, , ,8 21, , ,4 21, , ,6 18, , ,9 18, , ,5 16, , , , ,4 8,178,6 K e p a d a t a n H o t s p o t ( H S / K m 2 ),5,4,3,2,1 y = -8E-7x 3 + 8E-5x 2 -,3x +,58 R² =,963, Jarak dari pusat desa (Km) HS/Km2 Poly. (HS/Km2) Gambar 12 Pola hubungan kepadatan hotspot (km 2 ) terhadap jarak dari pusat desa Hal ini menunjukkan bahwa dalam jangkauan jarak sejauh 1 km dari pusat desa merupakan jarak ideal bagi masyarakat untuk melakukan aktivitas pembakaran lahan. Kedekatan dengan pusat desa (pemukiman) merupakan

15 46 pertimbangan yang wajar karena petani akan lebih memilih lokasi yang dekat dengan pemukimannya untuk mempermudah dalam hal transportasi menuju lokasi dan kemudahan pengawasan areal pertanian. Masyarakat petani di Kalimantan Barat mempunyai tipikal petani subsisten di mana kegiatan pertanian bukan merupakan satu-satunya mata pencaharian. Oleh sebab itu jarak yang dekat dengan lahan pertanian akan memberikan peluang kepada masyarakat menghemat waktu dan tenaga untuk kemudian melakukan kegiatan lainnya seperti menyadap karet, memelihara ternak, mengambil rotan dan pekerjaan lainnya. 3. Kepadatan hotspot dan jarak dari sungai Walaupun di Kalimantan Barat memiliki jaringan sungai yang cukup banyak namun dalam kegiatan pertanian penggunaan sungai sebagai akses menuju lahan pertanian bukan merupakan pilihan. Kondisi ini menunjukkan bahwa masyarakat lebih mengutamakan jalan untuk dapat mencapai lokasi lahan karena alat transportasi dan prasarana jalan dapat membantu kemudahan mencapai lokasi pertanian masyarakat. Kemudahan dalam kepemilikan alat transportasi kendaraan roda dua untuk mencapai lokasi pertanian yang agak jauh, sudah umum digunakan oleh masyarakat. Hal ini didukung oleh data kepadatan hotspot pada Tabel 12 yang menunjukan adanya kecenderungan peningkatan kepadatan hotspot dengan bertambah jauhnya jarak dari sungai. Tabel 12 Kepadatan hotspot berdasarkan jarak dari sungai Jarak Sungai (km) Luas (Ha) Kepadatan (HS/km2) Jarak Sungai (km) Luas (Ha) Kepadatan (HS/km2) , , , , , , , , , , , , , , , , ,4 32, , ,2 23,493

16 47 Kepadat an Hot spot (HS/ Km2 ),16,14,12,1,8,6,4,2 y = 2E-5x 3-6E-5x 2 -,x +,37 R² =, Jarak dari sungai (Km) HS/Km2 Poly. (HS/Km2) Gambar 13. Pola hubungan kepadatan hotspot (km 2 ) terhadap jarak dari sungai Sepertinya kondisi ini bertolak belakang dengan beberapa penelitian sebelumnya (Purnama & Jaya 27; Thoha 26). Hal ini perlu dilakukan pengkajian lebih dalam mengenai penyebab penggunaan jaringan sungai sebagai alat transportasi menjadi tidak begitu penting dalam kegiatan pertanian. Ada dugaan bahwa terjadi perbaikan sarana transportasi dan alat transportasi (kendaraan) yang mendukung kegiatan tersebut. 4. Kepadatan hotspot dan jarak terhadap jalan Kepadatan hotspot berdasarkan jarak dari jalan menunjukkan pola yang jelas yaitu semakin dekat dengan jalan maka jumlah hotspot semakin banyak. Hal ini ditunjukkan dengan tingkat kepadatan tertinggi dengan,531 km 2 pada jarak 1 m dan kepadatan terendah terjadi pada jarak > 2 m dari jaringan jalan yang hanya sebesar,4 km 2. Pada Gambar 14. terlihat nilai koefisien determinasi (R 2 ) regeresi dengan model quadratic adalah 84,2 % yang menunjukkan bahwa faktor keberadaan hotspot dapat dijelaskan dengan baik oleh faktor jarak terhadap jalan. Dengan semakin dekat dengan jaringan jalan maka aksesibilitas menuju lokasi pertanian menjadi semakin mudah. Kondisi ini bertolak belakang dengan kepadatan hotspot berdasarkan jarak dari sungai sehingga menjadikan jaringan jalan sebagai transportasi menuju lokasi pertanian.

17 48 Tabel 13 Kepadatan hotspot berdasarkan jarak dari jalan Jarak Jalan (km) Luas (Ha) Kepadatan (HS/km2) Jarak Jalan (km) Luas (Ha) Kepadatan (HS/km2) , , , , , , , , , , , , , , , , , , , ,4,7 Kepadatan (HS/Km2),6,5,4,3,2,1 y = -5E-5x 3 +,1x 2 -,17x +,75 R² =, Jarak dari jalan (Km) HS/Km2 Poly. (HS/Km2) Gambar 14 Pola hubungan kepadatan hotspot (km 2 ) terhadap jarak dari jalan Alasan ini sangat logis mengingat kemudahan akses menuju lokasi pertanian akan menghemat waktu, tenaga dan biaya. Artinya pertimbangan ekonomis menjadi dasar berpikir dari masyarakat untuk menentukan lokasi lahan pertaniannya. Selain itu bila musim panen tiba maka pengangkutan hasil akan mudah dan mempunyai daya saing dengan kawasan yang jauh dari jaringan jalan. Dari beberapa hasil penelitian Arianti (26); Purnama dan Jaya (27); Samsuri (28) menunjukkan bahwa kedekatan dengan jaringan jalan memiliki korelasi yang positif terhadap terjadinya kebakaran hutan dan lahan. Oleh sebab itu maka dapat ditarik kesimpulan bahwa faktor kedekatan dengan jalan merupakan faktor penting yang mempengaruhi kejadian kebakaran di Kalimantan Barat pada tahun 26.

18 49 5. Kepadatan hotspot dan penggunaan lahan Kepadatan hotspot tertinggi berada di wilayah transmigrasi karena dalam wilayah tersebut aktivitas utama mata pencaharian merupakan pertanian. Dalam program transmigrasi selalu beriringan dengan pemberian lahan pertanian untuk diolah oleh masyarakat transmigrasi. Kegiatan pertanian yang dilakukan akan menggunakan api sebagai sarana dalam kegiatan pembersihan lahan karena biaya rendah, hemat waktu dan tenaga. Tabel 14 Kepadatan hotspot berdasarkan penggunaan lahan Penggunaan lahan Luas (Ha) (Oi) Kepadatan (HS/km2) Transmigrasi (TRANS) ,113 Areal Penggunaan Lain (APL) ,536 Perkebunan (KBN) ,55 Hutan Tanaman Industri (HTI) ,357 Eks HPH (E-HPH) ,353 HPH Aktif (HPH-A) ,297 Kawasan Konservasi (KK) ,274 Hutan Lindung (HL) ,135,12 Kepadatan (km 2 ),1,8,6,4,2 TRANS APL KBN HTI E-HPH HPH-A KK HL Jenis Penggunaan Lahan Gambar 15 Kepadatan hotspot per km 2 berdasarkan tipe penggunaan lahan Kepadatan hotspot tinggi juga berada pada kawasan APL dan perkebunan. Namun demikian penggunaan api skala besar sedikit terhambat oleh pelarangan pembakaran lewat peraturan pemerintah. Hal ini dapat dilihat pengaruhnya pada tingkat kepadatan hotspot di wilayah HTI yang lebih kecil. Namun demikian

19 5 akibat pengawasan dan legal action yang masih lemah, kegiatan pembersihan lahan menggunakan api masih ditemukan. Sedangkan kepadatan hotspot yang paling rendah terjadi di dalam kawasan konservasi dan hutan lindung. Hal ini dikarenakan beberapa hal antara lain adanya satuan pemadam kebakaran BRIGDALKAR yang dibentuk dengan tugas, pokok dan fungsi utama adalah menjaga kawasan konservasi dari ancaman kebakaran hutan. Selain itu kondisi hutan yang masih baik dibanding dengan areal lainnya menyebabkan kejadian kebakaran sedikit terjadi di dalam kawasan konservasi maupun hutan lindung. 6. Kepadatan hotspot dan tutupan lahan Berdasarkan tingkat kepadatan hotspot, sawah merupakan jenis penutupan lahan yang memiliki tingkat kepadatan hotspot tertinggi yaitu,113 hotspot/km 2 dan diikuti oleh areal penggunaan lain (APL) sebesar,536 hotspot/km 2 dan perkebunan sebesar,55 hotspot/km 2. Sedangkan untuk tingkat kepadatan hotspot terendah berada pada area bervegetasi hutan yaitu hutan mengrove (,242 hotspot per km 2 ), hutan lahan kering (,357 hotspot per km 2 ) dan hutan rawa (,564 hotspot per km 2 ). Kepadatan tinggi yang tinggi di perkebunan dikarenakan oleh aktivitas pembersihan lahan untuk kegiatan penanaman. Untuk tutupan lahan berupa sawah, kegiatan pembersihan lahan dari sisa-sisa kegiatan panen memberikan kontribusi terhadap tingkat kepadatan hotspot. Sedangkan untuk area bervegetasi hutan, kepadatan hotspot umumnya rendah karena bahan bakar yang dikandung oleh vegetasi berhutan memiliki kadar air yang tinggi. Oleh karena itu proses pembakaran terhadap bahan bakar di tipe tutupan lahan bervegetasi hutan berjalan lambat dan memerlukan panas yang lebih besar. Dapat disimpulkan bahwa penutupan berupa hutan memberikan lingkungan yang aman dari terjadinya peristiwa kebakaran tersebut.

20 51 Tabel 15. Kepadatan hotspot berdasarkan tutupan lahan Tutupan lahan Luas (Ha) (Oi) Kepadatan (HS/km2) Sawah (SWH) 4442,997 29,658 Perkebunan (KBN) 51663,435 32,615 Tanah kosong (TK) 5231,172 27,515 Pertaniana lahan kering (PLK) ,686 38,56 Semak belukar (SB) ,7 19,439 Pemukiman (PMKM) 873,462 3,426 Hutan rawa (HR) ,97 14,39 Hutan lahan kering (HLK) ,343 93,175 Hutan mangrove (HM) 99157,877 17,173 Kepadatan (km 2 ),7,6,5,4,3,2,1 SWH KBN TK PLK SB PMKM HR HLK HM Jenis Tutupan Lahan Gambar 16 Kepadatan hotspot per km 2 berdasarkan tipe tutupan lahan 7. Kepadatan hotspot dan keberadaan gambut Lahan gambut merupakan ekosistem yang sensitif terhadap perubahan lingkungan, terutama kondisi iklim dan hidrologi. Perubahan lahan gambut berupa hutan menjadi areal pertanaian dan perkebunan mengakibatkan gangguan terhadap fungsi ekosistemnya. Hal itu diperparah dengan sifat khas gambut, yaitu irreversible drying (pengeringan tak terbalik), apabila gambut telah kering maka sangat sulit untuk membasahinya lagi (Syaufina 28). Tabel 16 Kepadatan hotspot berdasarkan keberadaan gambut Keberadaan Gambut Luas (Ha) Kepadatan (HS/km2) Non Gambut ,47 Gambut ,346

21 52 Di Kalimantan Barat, kepadatan hotspot di lahan gambut berkisar,346 hotspot/km 2 yang menunjukkan tingkat yang lebih rendah dibandingkan dengan areal non gambut dengan kepadatan,47. Kenyataan ini berbeda dengan hasil penelitian di Kalimantan Tengah yang dilakukan oleh Samsuri (28) yang menyatakan bahwa kepadatan hotspot di lahan gambut lebih tinggi dibandingkan dengan lahan non gambut. Kesimpulan yang berbeda antara dua lokasi di atas dikarenakan perbedaan kondisi tutupan lahan di atas lahan gambut. Apabila dilakukan overlay terhadap tutupan lahan berhutan (hutan lahan kering, hutan mangrove dan hutan rawa) dengan sebaran gambut di Kalimantan Barat maka luas lahan gambut berhutan adalah Ha (67,39%) sedangkan luas lahan gambut bukan hutan hanya memiliki luas (32,61%). Luasan ini berbanding terbalik dengan kepadatan hotspot di mana lahan gambut berhutan memiliki kepadatan hotspot hanya,115 hotspot per km 2 sedangkan lahan gambut bukan hutan memiliki kepadatan hotspot,451 hotspot/km 2. Tabel 17 Kepadatan hotspot berdasarkan keberadaan tutupan hutan di lahan gambut Kondisi Gambut Luas (Ha) % hotspot Kepadatan hotspot (HD/km2) Lahan gambut berhutan Lahan gambut bukan hutan ,39 32, ,115,451 Gambar 17 Luas lahan gambut berdasarkan keberadaan tutupan hutan dan kepadatan hotspot-nya

22 53 Di Kalimantan Barat, jumlah lahan gambut yang sudah dibuka lebih kecil dibandingkan di Kalimantan Tengah yang terkenal dengan proyek gambut 1 juta hektarnya. Tanah gambut yang belum dibuka dan yang memiliki tutupan hutan yang baik maka kejadian kebakaran akan sangat sulit terjadi. Daya serap air oleh gambut yang tinggi dengan tutupan hutan yang baik menyebabkan kebakaran hutan sangat sulit untuk terjadi. Salah satu daerah gambut dengan tingkat hotspot yang rendah di Kalimantan Barat terdapat di Taman Nasional Danau Sentarum.

23 54 Gambar 18 Sebaran lahan gambut di Kalimantan Barat (Sumber : Wetland Internasional, 24)

24 55 8. Kepadatan hotspot dan curah hujan Dengan membagi wilayah Kalimantan Barat dengan 5 kelas jumlah curah hujan bulanan yang didasarkan pada pencatatan jumlah curah hujan di 6 stasiun cuaca di Kalimantan Barat maka tingkat kepadatan hotspot dapat dilihat seperti pada Tabel 18. Tabel 18 Kepadatan hotspot berdasarkan kelas wilayah curah hujan Curah Hujan (mm/bulan) Luas (Ha) (Oi) Kepadatan (HS/km2) 179, ~ 29, ,33 29,4 ~ 239, , ,8 ~ 27, ,278 27,2 ~ 3, ,116 3,6 ~ 331, ,43,6 Kepadatan (km 2 ),5,4,3,2,1, 179. ~ ~ ~ ~ ~ 331. Curah Hujan (mm/bulan) Gambar 19 Kepadatan hotspot berdasarkan kelas curah hujan Seperti dijabarkan pada Gambar 7 tentang hubungan antara jumlah curah hujan dengan jumlah hotspot menggambarkan bahwa semakin rendah jumlah curah hujan akan mempengaruhi tingginya jumlah hotspot. Namun pada Gambar 19 kepadatan hotspot tertinggi tidak berada pada jumlah curah hujan terendah (179 ~ 29.4 mm/bulan) melainkan pada kelas curah hujan 29,4~239,8 mm/bulan. Adanya dugaan bahwa faktor lain seperti aktivitas manusia dalam pembersihan lahan yang menyebabkan kondisi di atas terjadi.

25 56 D. Pembangunan Skor Pembangunan skor aktual (actual score), skor dugaan (estimated score) dan skor skala (rescale score) untuk masing-masing variabel ditentukan berdasarkan pada kepadatan hotspotnya. Skor aktual merupakan perbandingan antara jumlah hotspot aktual dengan hotspot harapan, sedangkan skor dugaan dihitung menggunakan model regresi yang diturunkan dari masing-masing variabel. Skor skala (rescaled score) dihitung berdasarkan persamaan 3 untuk mendapatkan nilai minimum 1 dan nilai maksimum Skor jarak dari pusat kota Skor dugaan (estimated score) yang dihasilkan dari persamaan regresi antara skor aktual dan jarak, mengikuti pola polinomial (cubic) dengan koefisien determinasi (R 2 ) 97,8 % dimana menunjukkan suatu kecenderungan semakin dekat dengan pusat kota nilai skor dugaan semakin besar. Tabel 19. Skor faktor jarak terhadap pusat kota Jarak Kota (km) Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score ,78,644 4,74 4,82 1, ,77,638 4,69 4,74 98, ,77,638 4,69 4,65 96, ,8,651 4,79 4,56 94, ,83,659 4,85 4,46 92, ,79,646 4,75 4,35 9, ,65,594 4,37 4,24 88, ,47,532 3,91 4,12 86, ,35,489 3,6 4, 83, ,27,457 3,36 3,87 81, ,24,448 3,3 3,74 78, ,23,443 3,26 3,6 76, ,17,423 3,11 3,46 73, ,17,422 3,1 3,32 7, ,22,44 3,24 3,18 67, ,24,446 3,28 3,4 65, ,18,427 3,14 2,89 62, ,12,44 2,97 2,75 59, ,12,44 2,97 2,6 56, ,5,38 2,8 2,46 53, ,1,365 2,68 2,31 5, ,93,337 2,48 2,17 48,3

26 57 Tabel 19 (Lanjutan) Jarak Kota (km) Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score ,89,32 2,35 2,3 45, ,76,274 2,2 1,89 42, ,62,225 1,66 1,75 39, ,49,178 1,31 1,61 37, ,43,156 1,15 1,48 34, ,41,147 1,8 1,36 32, ,35,126,93 1,23 29, ,39,139 1,2 1,12 27, ,43,154 1,13 1, 25, ,42,15 1,1,9 23, ,29,16,78,8 21, ,23,83,61,7 19, ,23,84,62,61 17, ,19,7,51,54 16, ,15,53,39,46 14, ,12,43,32,4 13, ,11,4,29,35 12, ,11,4,29,3 11, ,11,4,29,27 1, ,11,4,29,24 1, ,11,4,29,23 1, ,11,4,29,23 1, ,11,4,29,24 1, ,11,4,29,26 1, ,11,4,29,29 11, ,11,4,29,34 12,17 Total ,66 1, Rata-Rata ,84 16,84,78,283 6, Skorjarakdari pusatkota 5, 4, 3, 2, 1, y = 8E-5x 3 -,4x 2 -,68x + 4,894 R² =,978, Jarak dari pusat kota (km) Gambar 2. Pola skor dugaan dari faktor jarak terhadap pusat kota

27 58 2. Skor jarak terhadap pusat desa/pemukiman Skor dugaan (estimated score) yang dihasilkan dari persamaan regresi antara skor aktual dan jarak, mengikuti pola polinomial (cubic) dengan koefisien determinasi (R 2 ) 96,3 % yang berarti dapat menjelaskan 96,3% variasi hubungan tersebut. Dari Gambar 21 menunjukkan bahwa semakin dekat dengan pusat desa nilai skor dugaan semakin besar. Tabel 2 Skor faktor jarak terhadap pusat desa/pemukiman Jarak Desa (km) Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score ,29,488 6,4 6,87 1, ,32,5 6,19 6,48 94, ,37,521 6,45 6,11 88, ,35,513 6,35 5,76 83, ,27,48 5,94 5,43 78, ,19,452 5,59 5,11 73, ,9,412 5,1 4,81 69, ,93,354 4,38 4,53 65, ,87,329 4,7 4,26 61, ,8,33 3,75 4,1 57, ,73,276 3,41 3,77 54, ,77,29 3,59 3,54 5, ,69,263 3,25 3,33 47, ,71,27 3,34 3,13 44, ,68,256 3,17 2,94 41, ,57,216 2,67 2,76 39, ,47,178 2,2 2,59 36, ,5,191 2,36 2,43 34, ,46,176 2,18 2,28 32, ,42,158 1,95 2,14 29, ,35,134 1,66 2,1 27, ,35,131 1,62 1,88 26, ,29,111 1,37 1,76 24, ,35,133 1,65 1,65 22, ,39,146 1,81 1,54 21, ,42,158 1,95 1,44 19, ,39,149 1,84 1,34 18, ,38,143 1,77 1,24 16, ,31,118 1,46 1,15 15, ,22,84 1,4 1,6 13, ,17,65,8,97 12, ,12,45,56,88 11, ,11,4,49,8 1, Total ,33,883 1 Rata-Rata ,71 25,71,65,245

28 59 8, Skorjarakdari pusatdesa 7, 6, 5, 4, 3, 2, 1,, y = -,1x 3 +,1x 2 -,417x + 7,276 R² =, Jarak dari pusat desa (km) Gambar 21 Pola skor dugaan dari faktor jarak terhadap pusat desa/pemukiman 3. Skor jarak terhadap sungai Skor dugaan untuk jarak dari sungai mengikuti pola polinomial (cubic) dengan koefisien determinasi (R 2 ) 93,6% yang menunjukkan bahwa kedekatan jarak dengan sungai tidak mempengaruhi tingginya kepadatan hotspot. Tabel 21 Skor faktor jarak terhadap sungai Jarak Sungai (km) Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score ,38 151,94,37 3,18 3,23 1, ,12 139,89,348 2,99 3,2 1, ,57 126,95,371 3,19 3,18 1, ,4 11,98,382 3,29 3,18 1, ,32 95,97,379 3,26 3,2 1, ,9 75 1,,39 3,35 3,26 1, , ,6,414 3,56 3,36 12, , ,13,444 3,82 3,52 13, , ,18,464 3,99 3,74 16, , ,26,493 4,24 4,3 19, , ,25,491 4,22 4,41 23, ,12 9 1,25,489 4,21 4,88 28, ,93 6 1,36,531 4,57 5,44 34, ,68 4 1,51,59 5,7 6,12 41, ,3 2 2,7,81 6,97 6,92 5, ,37 1 2,71,16 9,12 7,84 6, ,2 1 3,6,1197 1,3 8,9 72, ,51 1 3,13,1226 1,55 1,11 85, ,59 3,,1177 1,12 11,47 1, Total ,68 1, Rata-Rata ,49 22,49,76,298

29 6 14, Skorjarakdari sungai 12, 1, 8, 6, 4, 2, y =,1x 3 -,5x 2 -,23x + 3,258 R² =,936, Jarak dari sungai (km) Gambar 22 Pola skor dugaan faktor jarak dari sungai 4. Skor jarak terhadap jalan Skor dugaan (estimated score) untuk jarak dari jalan mengikuti pola polinomial (cubic) dengan koefisien determinasi (R 2 ) 84,2% yang berarti dapat menjelaskan 84,2% variasi hubungan tersebut. Dari Gambar 23 menunjukkan bahwa semakin dekat dengan jalan nilai skor dugaan semakin besar. Tabel 22 Skor faktor jarak terhadap jalan Jarak jalan (km) Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score ,3 22 1,38,531 9,9 11,15 1, , ,25,479 8,93 8,77 77, , ,5,42 7,49 6,91 6, ,31 89,88,339 6,32 5,54 47, ,39 71,77,294 5,48 4,58 38, ,64 55,63,242 4,51 3,98 33, ,64 41,5,192 3,58 3,69 3, ,1 32,5,192 3,58 3,65 3, ,99 24,46,175 3,26 3,79 31, ,71 18,43,166 3,9 4,7 34, ,2 14,52,199 3,71 4,42 37, ,93 1,59,228 4,25 4,78 4, ,95 8,65,248 4,62 5,11 43, ,24 6,71,273 5,9 5,34 45, ,97 5,82,315 5,87 5,42 46, ,64 4,87,334 6,23 5,28 45, ,36 3,79,35 5,68 4,88 41, ,6 2,87,334 6,23 4,15 34, ,14 1,2,77 1,44 3,3 24, ,2,1,4,75 1,48 1, Total ,97, Rata-Rata ,1 43,1,7,268

30 61 12, Skorjarakdari jalan 1, 8, 6, 4, y = -,9x 3 +,323x 2-3,288x + 14,12 R² =,842 2,, Jarak dari jalan(km) Gambar 23 Pola skor dugaan faktor jarak dari jalan 5. Skor faktor penggunaan lahan Skor dugaan (estimated score) yang dihasilkan dari persamaan regresi antara skor aktual dan tipe penggunaan lahan, mengikuti pola polinomial (cubic) dengan koefisien determinasi (R 2 ) 96,9 % yang berarti dapat menjelaskan 96,9% variasi hubungan tersebut. Dari Gambar 25 menunjukkan bahwa penggunaan lahan untuk transmigrasi memiliki skor dugaan tertinggi dan hutan lindung memiliki. Tabel 23 Skor faktor penggunaan lahan Penggunaan lahan Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score TRANS ,67 9 2,68,113 29,19 28,25 1, APL , ,42,536 15,45 18,9 62,77 KBN , ,34,55 14,55 12,6 42,65 HTI ,28 67,95,357 1,29 1,31 34,24 E-HPH ,22 378,94,353 1,17 9,74 32,16 HPH-A ,41 95,79,297 8,56 9,43 31,2 KK ,66 24,73,274 7,9 7,9 25,43 HL ,88 67,36,135 3,89 3,69 1, Total ,2,347 1 Rata-Rata ,61 15,61 1,15,434

31 62 Skorpenggunaan lahan 35, 3, 25, 2, 15, 1, 5,, y = -,245x 3 + 3,84x 2-19,85x + 44,54 R² =,969 TRANS 1 APL 2 KBN 3 HTI 4 E-HPH 5 HPH-A 6 7KK 8HL Tipe penggunaan lahan Gambar 24 Pola skor dugaan faktor penggunaan lahan 6. Kepadatan hotspot terhadap skor tutupan lahan Tipe tutupan lahan memiliki skor dugaan (estimated score) dengan pola polinomial (cubic) dan nilai koefisien determinasi (R 2 ) adalah 96,8%. Skor dugaan ini kemudian dikonversi nilainya menjadi skor skala (rescaled score) dari nilai 1 sampai dengan 1. Dari Gambar 25 menunjukkan bahwa tipe tutupan lahan berupa sawah dan perkebunan memiliki skor dugaan tertinggi yaitu 17,14 dan 15,84 sedangkan untuk tutupan lahan bervegetasi hutan mangrove memiliki skor tutupan lahan terendah yaitu 8,23. Tabel 24 Skor faktor tutupan lahan Tutupan lahan Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score SWH ,22 16,47 1,77,658 17,24 17,14 1, KBN ,77 19,16 1,66,615 16,12 15,84 86,83 TK ,94 19,4 1,39,515 13,5 14,59 74,2 PLK ,8 278,6 1,36,56 13,26 13,39 62,13 SB ,6 92,14 1,18,439 11,5 12,25 5,6 PMKM 873 3,44 2,99 1,15,426 11,16 11,17 39,63 HR ,81 167,82,83,39 8,1 1,14 29,2 HLK ,1 197,12,47,175 4,59 9,16 19,33 HM ,15 36,78,47,173 4,53 8,23 1, Total ,29, Rata-Rata ,28 92,28 1,14,424

32 63 Skortutupanlahan Skor tutupan lahan 2, 18, 16, 14, 12, 1, 8, 6, 4, 2, - y = -,6x 3 +,34x 2-1,387x + 18,5 R² =,968 SWH KBN TK PLK SB PMKM HR HLK HM Tipe tutupan lahan Gambar 25 Pola skor dugaan faktor tutupan lahan 7. Kepadatan hotspot terhadap skor keberadaan gambut Skorkeberadaangambut Skor dugaan (estimated score) untuk variabel keberadaan gambut mengikuti pola linier karena hanya memiliki 2 sub faktor. Dari Gambar 26 menunjukkan bahwa skor dugaan non gambut lebih dari skor dugaan gambut. Tabel 25 Skor faktor keberadaan gambut Keberadaan Gambut 55, 54, 53, 52, 51, 5, 49, 48, 47, 46, 45, Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 y = -8,1x + 62,15 R² = 1,9 Non Gambut 1,4 1,9 Keberadaan gambut Gambar 26 Pola skor dugaan faktor keberadaan gambut Skor Aktual Skor Dugaan Rescaled Score Non Gambut ,27,47 54,5 54,5 1, Gambut ,873,346 45,95 47,56 1, Total ,9,753 1, Rata-Rata ,8 443,8,95,377 Gambut

33 64 8. Kepadatan terhadap skor jumlah curah hujan curah hujan memiliki skor dugaan (estimated score) dengan pola polinomial (cubic) dan nilai koefisien determinasi (R 2 ) adalah 95,6%. Dari Gambar 27 menunjukkan bahwa jumlah curah hujan yang paling rendah tidak serta merta memiliki skor dugaan yang paling tinggi. Hal ini disebabkan adanya faktor lain yang mempengaruhi terjadinya kebakaran hutan dan lahan. Skor dugaan tertinggi dimiliki oleh jumlah curah hujan berjumlah 29,4 ~ 239,8 mm/bulan. Tabel 26 Skor faktor jumlah curah hujan Kelas Curah Hujan (mm/hari) Luas (Ha) (Oi) Harapan (Ei) Oi / Ei HS / Km 2 Skor Aktual Skor Dugaan Rescaled Score 179, ~ 29, , 276,91,33 24,61 25,38 63,86 29,4 ~ 239, , ,58,574 42,8 39,74 1, 239,8 ~ 27, ,77 21,77,278 2,73 25,32 63,73 27,2 ~ 3, ,47 86,32,116 8,65 5,59 14,6 3,6 ~ 331, ,16 1,12,43 3,21 3,98 1, Total ,69, Rata-Rata ,64 162,64,74,268 Skor jumlhh curah hujan 45, 4, 35, 3, 25, 2, 15, 1, 5,, y = 3,98x 3-37,84x 2 + 1,5x - 41,22 R² =, ~ ~ ~ ~ ~ curah hujan (mm/bulan) Gambar 27 Pola skor dugaan faktor jumlah curah hujan E. Verifikasi Skor Berdasarkan hasil perhitungan nilai skor aktual, skor dugaan dan rescaled score maka dapat dilakukan verifikasi skor untuk menentukan faktor-faktor potensial yang mungkin mempengaruhi terjadinya kebakaran hutan dan lahan. Dengan melihat koefisien determinasi (R 2 ) dari beberapa faktor yang memiliki nilai terbaik maka beberapa alternatif model dapat dibangun.

34 65 1. Analisis hubungan skor setiap peubah dengan kepadatan hotspot a. Hubungan kepadatan hotspot dan skor jarak terhadap pusat kota Gambar 28 menunjukkan bahwa pola hubungan terbaik antara skor jarak terhadap pusat kota dan kepadatan hotspot adalah model polinomial (cubic) dengan nilai koefisien determinasi (R 2 ) yaitu sebesar 13,5%. K e p ad atan H o tsp o t (H S /K m 2 ),14,12,1,8,6,4,2 y = 1E-7x 3-3E-5x 2 +,2x -,42 R² =,135 y =,5e,21x R² =,114 y = 7E-5x 1,362 R² =, Skor jarak terhadap kota (X1) Model Polinomial Model Eksponensial Model Power Gambar 28 Hubungan antara kepadatan hotspot dan skor jarak pusat kota b. Hubungan kepadatan hotspot dan skor jarak terhadap pusat desa Hubungan terbaik antara kepadatan hotspot dengan skor terhadap jarak dari pusat desa ditunjukkan dengan model eksponensial (R 2 = 1,4%). Nilai R 2 relatif lebih rendah dibandingkan skor jarak kota, jarak jalan, penggunaan lahan, jumlah curah hujan dan tutupan lahan. Kepadatan (HS/Km2),14,12,1,8,6,4,2 y = -1E-7x 3 + 3E-5x 2 -,x +,21 R² =,72 y =,5e,21x R² =,14 y = 9E-5x 1,327 R² =, Skor jarak terhadap pusat desa (X2) Model Polinomial Model Eksponensial Model Power Gambar 29 Hubungan antara kepadatan hotspot dan skor jarak pusat desa

35 66 c. Hubungan kepadatan hotspot dan skor jarak terhadap sungai Nilai R 2 dari hubungan antara kepadatan hotspot dengan skor jarak terhadap sungai hanya memiliki nilai yang kecil yaitu 2,2%. Hal ini menggambarkan pengaruh kedekatan sungai terhadap peristiwa kebakaran sangat kecil. K e p a d a ta n H o ts p o t (H S / K m 2 ),14,12,1,8,6,4,2 y = 3E-7x 3-5E-5x 2 +,2x +,17 R² =,2 y =,18e,25x R² =,18 y =,6x,554 R² =, Skor jarak terhadap sungai (X3) Model Polinomial Model Eksponensial Model Power Gambar 3 Hubungan antara kepadatan hotspot dan skor jarak sungai d. Hubungan kepadatan hotspot dan skor jarak terhadap jalan Model terbaik untuk menggambarkan hubungan kepadatan hotspot dengan skor jarak terhadap jalan adalah model eksponensial dengan nilai R 2 = 32,2% dibandingkan dengan model polinomial (3,4%) dan model power (29,%) yang merupakan nilai tertinggi kedua setelah skor tutupan lahan. K e p a d atan H o tsp o t (H S /K m 2 ),14,12,1,8,6,4,2 y = -4E-8x 3 + 2E-7x 2 +,1x -,29 R² =,34 y =,5e,24x R² =,29 y = 4E-5x 1,553 R² =, Skor jarak terhadap jalan (X4) Model Polinomial Model Eksponensial Model Power Gambar 31 Hubungan antara kepadatan hotspot dan skor jarak jalan

36 67 e. Hubungan kepadatan hotspot dan skor penggunaan lahan Gambar 32 menunjukkan bahwa hubungan terbaik kepadatan hotspot dan skor penggunaan lahan adalah dengan pola polinomial (R 2 = 25,7%). Nilai koefisien determinasinya tertinggi setelah tutupan lahan dan jarak dari jalan. K e p a d a ta n H o ts p o t ( H S / K m 2 ),14,12,1,8,6,4,2 y = -3E-6x 3 +,x 2 -,6x +,5 R² =,257 y =,5e,37x R² =,199 y = 6E-5x 1,639 R² =, Skor tipe penggunaan lahan (X5) Model Polinomial Model Eksponensial Model Power Gambar 32 Hubungan antara kepadatan hotspot dan skor penggunaan lahan f. Hubungan kepadatan hotspot dan skor tutupan lahan Nilai R 2 terbaik (model polinomial orde 3) dari hubungan antara kepadatan hotspot dengan skor tutupan lahan memiliki nilai tertinggi dari semua variabel yaitu 45,1%. Dengan demikian sebanyak 45,1 % variasi dalam skor tutupan lahan dapat dijelaskan oleh model polinomial. Kepadatan (HS/Km2),14,12,1,8,6,4,2 y = -8E-8x 3 + 2E-5x 2 -,x +,7 R² =,451 y =,4e,35x R² =,449 y =,x 1,314 R² =, Skor tipe tutupan lahan (X6) Model Polinomial Model Eksponensial Model Power Gambar 33 Hubungan antara kepadatan hotspot dan skor tutupan lahan

37 68 g. Hubungan kepadatan hotspot dan skor keberadaan gambut Berdasarkan pola yang ditunjukkan pada Gambar 34, hubungan kepadatan hotspot dan skor penggunaan lahan memiliki nilai R 2 sebesar 3,6%. Nilai ini merupakan nilai terendah setelah variabel jarak dari sungai. Kepadatan (HS/Km2),14,12,1,8,6,4,2 y =,x +,25 R² =,29 y =,8x,246 R² =,36 y =,14e,6x R² =, Skor keberadaan gambut (X7) Model Polinomial Model Eksponensial Model Power Gambar 34 Hubungan antara kepadatan hotspot dan skor keberadaan gambut h. Hubungan kepadatan hotspot dan skor curah hujan Berdasarkan pola yang ditunjukkan pada Gambar 35, hubungan kepadatan hotspot dan jumlah curah hujan memiliki nilai R 2 terbaik dari model polinomial (cubic) sebesar 24,5 %. K e p a d a ta n H o tsp o t (H S /K m 2 ),14,12,1,8,6,4,2 y = 2E-7x 3-3E-5x 2 +,1x -,12 R² =,245 y = 9E-5x 1,293 R² =,223 y =,3e,26x R² =, Skor jumlah curah hujan(x8) Model Polinomial Model Eksponensial Model Power Gambar 35 Hubungan antara kepadatan hotspot dan skor curah hujan

38 69 2. Kepadatan hotspot dan skor komposit model Z1 (X1, X4, X6) Berdasarkan verifikasi skor yang dibuat sebelumnya, nilai koefisien tertinggi hingga terendah secara berurutan adalah sebagai berikut : 1) tutupan lahan (R 2 = 45,1 %) 2) jarak terhadap jalan (R 2 = 32,2 %) 3) penggunaan lahan (R 2 = 25,7 %) 4) jumlah curah hujan (R 2 = 24.5 %) 5) jarak terhadap pusat kota (R 2 = 13,5 %) 6) jarak terhadap pusat desa (R 2 = 1,4 %) 7) keberadaan gambut (R 2 = 3,6 %) dan 8) jarak terhadap sungai (R 2 = 2,2%). Nilai skor komposit disusun berdasarkan beberapa variabel yang memiliki koefisien determinasi tertinggi. Untuk model Z1, 3 variabel yang digunakan yaitu jarak terhadap jalan (X4), penggunaan lahan (X5) dan tutupan lahan (X6). Dengan menggunakan persamaan regresi linier, bobot dari masing-masing variabel dapat dihitung sebagaimana yang ditunjukkan pada Tabel 27. Tabel 27 Nilai koefisien dan bobot penyusun skor komposit model Z1 Variabel Koefisien Bobot Jarak terhadap jalan (X4) Penggunaan lahan (X5) Tutupan lahan (X6) Hubungan antara kepadatan hotspot dan skor komposit varibel penduganya (X4, X5 dan X6) ditunjukkan dengan nilai R 2 terbaik dari model polinomial (cubic) sebesar 61,2% (Gambar 36). K e p a d a ta n H o ts p o t (H S /K m 2 ),14,12,1,8,6,4,2 y = 3E-5x 2 -,822x +,14 R² =,612 y = 7E-7x 2,72 R² =,583 y =,1e,61x R² =,587, 1, 2, 3, 4, 5, 6, 7, 8, Skor komposit model Z1 Model Polinomial Model Eksponensial Model Power Gambar 36 Hubungan antara skor komposit model Z1 dengan kepadatan hotspot