METODE PENELITIAN Lokasi dan Waktu Penelitian

Transkripsi

1 METODE PENELITIAN Lokasi dan Waktu Penelitian Lokasi penelitian merupakan wilayah hilir Sungai Mangottong yang secara administrasi wilayah berada di Kecamatan Sinjai Utara dan Kecamatan Sinjai Timur, Kabupaten Sinjai, Provinsi Sulawesi Selatan, dengan luas sekitar 27,86 km 2. Pemilihan daerah studi berdasarkan kondisi topografi yang relatif rendah (dataran banjir) yang berkontribusi terhadap kejadian banjir di kota Kabupaten Sinjai dan sekitarnya, dan berdasarkan ketersediaan data spasial untuk mendukung penelitian (Gambar 1). Penelitian ini dilaksanakan pada bulan Maret Desember Gambar 1 Lokasi studi.

2 14 Bahan dan Alat Bahan yang digunakan dalam penelitian meliputi data spasial dan data tabular seperti yang tersaji pada Tabel 2. Adapun alat yang digunakan berupa seperangkat komputer dengan perangkat lunak (software) Microsoft Word, Microsoft Excel, ArcGIS, dan peralatan penunjang lain seperti alat tulis, kamera dijital, Global Positioning System (GPS) Garmin Oregon. analisis data. Metode Penelitian Penelitian ini terdiri dari 2 tahapan yaitu: 1) pengumpulan data dan 2) Pengumpulan data Data yang digunakan pada penelitian ini terdiri dari data primer dan data sekunder seperti tersaji pada Tabel 2. Data primer berupa data citra dan data yang diperoleh melalui survei dan wawancara penduduk. Data sekunder terdiri dari data spasial dan data tabular. Tabel 2 Jenis, bentuk, dan sumber data penelitian Jenis Data Skala Bentuk Sumber Data Peta Topografi (Rupa Bumi 1: Dijital Bakosurtanal Indonesia) Peta Administrasi 1: Dijital BPN Kanwil Sulsel Peta Dasar Pendaftaran 1:1.000 Analog BPN Peta Land System 1: Dijital Bakosurtanal Cross Section Elevasi Sungai Mangottong - Dijital Balai Besar Wilayah Sungai Pompengan- Jeneberang (BBWSPJ) Citra Satelit WorldView-2 akuisisi tahun 2011 Resolusi 0.5 meter Dijital LAPAN Kab. Sinjai dalam Angka tahun Tabular BPS Kab. Sinjai Jejak banjir - Dokumentasi Survei dan Wawancara

3 15 Analisis Data 1) Pembuatan DEM (Digital Elevation Model) Data DEM dibuat untuk menggambarkan kondisi medan (terrain) di lokasi penelitian yang merupakan dataran banjir (flood plain). Data DEM yang tersedia adalah DEM SRTM (Shuttle Radar Topographic Mission) dengan ukuran piksel meter. Dalam penelitian ini dibutuhkan data DEM yang memiliki akurasi yang tinggi dan informasi yang lebih detil, khususnya penggambaran kondisi geometri sungai (river geometry). Oleh karena itu dilakukan pembuatan DEM baru dengan metode penggabungan DEM dari berbagai sumber data (Trisakti dan Julzarika 2011; Tsamalashvili 2010; Yulianto et al. 2009; Shaviraachin 2005; Marfai 2003) yaitu DEM SRTM dan DEM yang dibuat dengan teknik interpolasi. Secara lebih rinci, bagan alir pembuatan DEM disajikan pada Gambar 4 dan tahapan proses pembuatan DEM dijelaskan sebagai berikut: a) Ekstraksi dan penggabungan titik tinggi Data titik tinggi (point height) yang bersumber dari: 1) peta topografi (RBI) skala 1: berupa garis kontur dan titik tinggi, 2) peta dasar pendaftaran skala 1:1.000 berupa titik tinggi tanah, dan 3) pengukuran cross section Sungai Mangottong berupa titik tinggi, diekstraksi dan digabungkan menjadi 1 data. Hasil ekstraksi titik tinggi disajikan pada Gambar 2. b) Penyiapan data DEM SRTM dan DEM hasil interpolasi Data DEM SRTM (Gambar 3) terlebih dahulu dilakukan fill sink atau penghilangan dan pengisian nilai error berdasarkan nilai piksel tetangganya. Data titik tinggi hasil penggabungan dari berbagai sumber data dilakukan interpolasi untuk pembuatan DEM, yang selanjutnya dinamakan DEM Awal, dengan output ukuran piksel adalah meter. Metode interpolasi dilakukan dengan menggunakan metode semivariogram tipe ordinary kriging dengan model spherical pada software ArcGIS. Adapun pengaturan parameter dalam metode semivariogram disajikan pada Lampiran 1. Selain dihasilkan DEM Awal (prediction map), dihasilkan juga error DEM Awal (prediction standart error map) untuk mengkan nilai error berdasarkan kerapatan data titik tinggi.

4 16 Selanjutnya dilakukan normalisasi nilai DEM SRTM berdasarkan nilai DEM Awal dengan cara melakukan co-registrasi antara kedua DEM dan koreksi topografi berbasis nilai deviasi dan rata-rata (mean) ketinggian pada kedua DEM tersebut, sehingga diperoleh DEM yang relatif sama secara geometrik dan nilai ketinggiannya. Gambar 2 Sebaran titik tinggi di lokasi penelitian. Gambar 3 DEM SRTM resolusi 30 meter

5 17 Data titik tinggi pada badan sungai dipisahkan untuk membuat DEM Sungai. Pembuatan DEM Sungai dilakukan dengan menggunakan metode interpolasi spline with barrier. Barrier yang digunakan adalah poligon badan sungai untuk membatasi daerah interpolasi, sehingga dihasilkan nilai ketinggian (DEM) hanya pada daerah badan sungai. c) Penggabungan DEM Berdasarkan hasil error DEM Awal, dilakukan penghilangan nilai error pada DEM Awal dengan terlebih dahulu mengekstrak titik tingginya. Kemudian proses selanjutnya adalah pengisian titik tinggi pada daerah error yang tinggi (pengisian void) dengan titik tinggi yang diekstrak dari DEM SRTM yang telah dinormalisasi. Proses akhir dari penggabungan tersebut adalah melakukan kembali interpolasi titik tinggi dengan metode semivariogram tipe ordinary kriging dengan model spherical untuk menghasilkan DEM Gabungan. Output yang dihasilkan adalah DEM dengan ukuran piksel 20 x 20 meter. Resolusi spasial atau ukuran piksel DEM yang dibuat, ditentukan berdasarkan jumlah dan kerapatan titik tinggi yang tersedia, serta lebar sungai minimum yaitu 20 m. d) Evaluasi DEM Gabungan Evaluasi DEM Gabungan dilakukan dengan menghitung nilai RMSE (Root Mean Square Error) untuk mengetahui tingkat keakurasian antara nilai ketinggian DEM yang dibuat terhadap ketinggian titik validasi. Terdapat 100 titik tinggi validasi (secara acak) yang digunakan (selain dari data titik tinggi yang diinterpolasi) untuk menghitung nilai RMSE. Adapun rumus yang digunakan dalam perhitungan RMSE sebagai berikut:... (1) dimana Z adalah nilai ketinggian DEM, Z adalah nilai ketinggian titik validasi, dan n adalah jumlah titik yang divalidasi.

6 18 SRTM 30 m Peta Topografi (RBI) Peta Dasar Pendaftaran (BPN) Cross Section Sungai (BBWSPJ) Fill sink 100 titik tinggi Ekstraksi Titik Tinggi Ekstraksititik bagian daratan Interpolasi (Kriging Spherical) Interpolasi (Spline with barrier) Co-registrasi, Normalisasi Ketinggian (mean dan deviasi) DEM Awal Error Map DEM Sungai Pengisian void Penghilangan Error EkstraksiTitik Tinggi Interpolasi (Kriging Spherical) Evaluasi RMSE DEM Gabungan Gambar 4 Bagan alir metode pembuatan DEM. 2) Klasifikasi Penggunaan Lahan Klasifikasi penggunaan lahan dilakukan dengan menggunakan citra satelit WorldView-2 yang telah terkoreksi secara geometrik (Gambar 5). Metode klasifikasi yang digunakan adalah metode visual dengan teknik dijitasi on screen berdasarkan warna/rona, tekstur, bentuk, ukuran, pola, bayangan, asosiasi spasial (Lillesand & Kiefer 1997) dan kedekatan interpreter dengan objek (Munibah 2008). Penggunaan lahan di lokasi penelitian dikelaskan menjadi 12 kelas yaitu terdiri dari Pemukiman/Perumahan, Bisnis, Perkantoran, Fasilitas Pendidikan, Fasilitas Kesehatan, Ruang Terbuka/Lapangan, Sawah, Kebun Campuran, Semak Belukar, Tambak/Empang, Mangrove, dan Sungai. Hasil klasifikasi penggunaan lahan digunakan sebagai input untuk analisis selanjutnya.

7 19 Gambar 5 Citra satelit WorldView-2 akuisisi tahun Secara visual kenampakan (tampilan) objek pada citra satelit memberikan informasi yang berbeda-beda terkait penggunaan lahannya. Tampilan penggunaan lahan pada citra satelit berdasarkan kondisi pengamatan (foto lapangan) di wilayah penelitian disajikan pada Tabel 3. Tabel 3 Tampilan penggunaan lahan pada citra satelit dan foto lapangan No Penggunaan Lahan Citra Satelit Foto Lapangan 1 Pemukiman/Perumahan 2 Bisnis 3 Perkantoran 4 Fasilitas Pendidikan

8 20 Lanjutan Tabel 3 No Penggunaan Lahan Citra Satelit Foto Lapangan 5 Fasilitas Kesehatan 6 Ruang Terbuka/Lapangan 7 Sawah 8 Kebun Campuran 9 Semak Belukar 10 Tambak/Empang 11 Mangrove 12 Sungai

9 21 3) Pemodelan Spasial Genangan Banjir Pemodelan spasial genangan banjir di wilayah Sungai Mangottong mengacu pada analisis model genangan berdasarkan volume sumber banjir yang diketahui dengan menggunakan data DEM (Jing 2010). Model ini menggunakan algoritma aproksimasi (approximation algorithm) untuk menganalisis ketinggian genangan (H) berdasarkan perbandingan antara volume air (V) daerah yang tergenang dan volume air (Q) sumber banjir. Fungsi dari algoritma aproksimasi untuk menentukan daerah genangan didefinisikan berdasarkan persamaan berikut:...(1) Nilai V dihitung dengan menggunakan persamaan:...(2) dimana H i yaitu akumulasi ketinggian antara ketinggian genangan (h i ) dan elevasi DEM (E i ) pada unit piksel ke-i, artinya ; m yaitu jumlah unit piksel yang tergenang; A yaitu luas unit piksel. Berdasarkan persamaan tersebut, dapat diketahui nilai V yang paling mendekati atau sama dengan nilai Q. Dalam penelitian ini, untuk mencapai kondisi tersebut dilakukan pengembangan algoritma melalui proses distribusi limpasan (ketinggian) genangan. Sebelum proses simulasi dimulai, data DEM dengan format raster Esri grid dikonversi ke bentuk format ascii (sejenis format teks) yang dapat di-import ke dalam software Microsoft Excel dengan tetap mempertahankan header data (lihat Gambar 6). Di dalam lingkungan Microsoft Excel, proses simulasi dijalankan dengan memanfaatkan macro VBA (Visual Basic Application) untuk membuat script yang dapat menjalankan algoritma yang telah dibuat (Lampiran 2).

10 22 Gambar 6 Header data DEM dalam format ascii Adapun tahapan algoritma dalam simulasi model genangan banjir berdasarkan proses distribusi limpasan genangan yaitu sebagai berikut: 1) Menetapkan kondisi awal yaitu H i = E i, sehingga h i = 0. Artinya belum terjadi genangan dan V = 0. 2) Menentukan piksel awal (h 0 ) yaitu unit piksel bagian hulu pada data DEM. 3) Menetapkan nilai Q sebagai nilai masukan untuk proses perhitungan genangan. 4) Melakukan pengisian piksel h 0 dengan persamaan:... (3) dimana adalah tinggi genangan sebelumnya; dan n adalah penambahan ketinggian. Nilai n digunakan untuk memberikan nilai ketinggian genangan pada piksel h 0 sehingga dapat mendistribusikan genangan ke piksel selanjutnya. Asumsi ini mengikuti prinsip bahwa air mengalir dari tempat yang tinggi ke tempat yang rendah. 5) Setelah piksel h 0 terisi, maka dilakukan pendistribusian limpasan genangan pada piksel tetangga (t) yang terpilih (j). Pengecekan piksel tetangga ditentukan berdasarkan 8 arah dari piksel pusat atau disebut tipe 8 tetangga (Gambar 7). Penentuan piksel j berdasarkan perbedaan (selisih) ketinggian maksimum ( H) dengan menggunakan persamaan:... (4) dimana H t adalah akumulasi ketinggian (genangan dan elevasi) pada piksel tetangga.

11 23 (a) (b) Gambar 7 Tipe ketetanggaan piksel: (a) 4 tetangga, (b) 8 tetangga. 6) Menentukan limpasan genangan (h limpas ):... (5) Nilai maksimum h limpas yang dapat didistribusikan adalah sama dengan tinggi genangan (h i ). Pada kondisi dimana nilai H menghasilkan nilai h limpas > h i, maka ditetapkan h limpas = h i. Distribusi limpasan genangan ke piksel tetangga yang terpilih digunakan persamaan:... (6)... (7) dimana adalah ketinggian genangan pada piksel tetangga sebelum memperoleh limpasan; dan adalah ketinggian genangan pada piksel ke-i sebelum memberi limpasan. 7) Proses pada tahap 4 sampai tahap 6 dilakukan secara berulang (diiterasi), hingga kondisi berdasarkan Persamaan 1 terpenuhi, yaitu Q = V. Untuk menghitung volume daerah yang tergenang digunakan Persamaan 2. Secara ringkas algoritma model genangan banjir untuk simulasi disajikan pada Gambar 8. Ilustrasi simulasi model genangan banjir berdasarkan tahapan algoritma tersebut di atas dapat dilihat pada Gambar 9.

12 24 Mulai Input DEM dan nilai Q Kondisi awal H i = E i h i = 0 Menentukan piksel awal (h 0 ) Pengisian piksel awal h 0 = h 0 + n Pengecekan dan pemilihan piksel tetangga H = maks (H i + H t ) Tidak Distribusi limpasan genangan dari piksel awal ke piksel tetangga terpilih h limpas = ½ H Q = V terpenuhi? Ya Daerah genangan h limpas = h i Ya h limpas > h i? Tidak Kondisi genangan: h j = h j + h limpas h i = h i - h limpas Hitung volume genangan (V) Selesai Gambar 8 Algoritma model genangan banjir. Iterasi ke-1 Iterasi ke Keterangan: Q = 2000 m 3 n = 1 m Daerah genangan; Perubahan nilai H i Iterasi ke-5 Iterasi ke-4 Iterasi ke-3 Gambar 9 Ilustrasi simulasi model genangan dengan data DEM ukuran matriks 4 4 berdasarkan tahapan algoritma.

13 25 Batasan Model Pembuatan model spasial genangan banjir di lokasi penelitian memiliki batasan yang diasumsikan sebagai berikut: - Pengaruh pasang air laut tidak diperhitungkan, sehingga tidak terjadi akumulasi genangan akibat masuknya air laut ke daratan. Dalam penelitian ini, daerah laut merupakan NODATA yang memiliki nilai pada data DEM, sehingga tidak diperhitungkan (diabaikan) dan batas perhitungan dilakukan hanya sampai pada batas garis pantai. Asumsi tersebut dianggap bahwa kejadian banjir terjadi saat pasang, sehingga aliran air sungai tertahan di muara. - Pengaruh luapan sungai lainnya di sekitar wilayah Sungai Mangottong tidak diperhitungkan, sehingga tidak terjadi akumulasi genangan akibat luapan sungai yang lain. Pada bagian utara terdapat Sungai Tangka dan pada bagian selatan terdapat Sungai Baringeng Sungai, yang merupakan 2 sungai di sekitar Sungai Mangottong. Daerah genangan yang diperhitungkan hanya bersumber dari luapan Sungai Mangottong. - Resapan air ke dalam tanah sebagai proses infiltrasi tidak diperhitungkan, dengan asumsi tanah dalam keadaan jenuh. Verifikasi Model Verifikasi model dilakukan untuk melihat logika internal model. Adapun verifikasi yang dilakukan yaitu menganalisis pengaruh nilai n (penambahan ketinggian genangan pada piksel awal sehingga dapat didistribusikan ke piksel selanjutnya; lihat tahap 4 dalam tahapan algoritma dan Gambar 8) terhadap keluaran hasil simulasi model. Verifikasi dilakukan pada sebagian wilayah penelitian dengan menggunakan nilai Q sebesar m 3 (uji coba), kemudian membandingkan hasil simulasi nilai n yang berbeda terhadap ketinggian dan luas daerah genangan, serta waktu yang dibutuhkan untuk menyelesaikan simulasi, yang dihasilkan oleh masing-masing simulasi. Nilai n yang disimulasikan yaitu 1 m, 0.5 m, dan 0.1 m. Berdasarkan hasil simulasi, selanjutnya dipilih nilai n yang mendekati atau sesuai dengan pola alami genangan banjir, untuk dimasukkan dalam proses simulasi genangan pada kejadian banjir pada tahun 2006.

14 26 Simulasi Model Kejadian Banjir tahun 2006 Simulasi model untuk kejadian banjir pada tahun 2006 dilakukan dengan menetapkan nilai Q sebesar m 3 yang dihitung berdasarkan volume kurva hidrograf sintetis, dengan debit puncak banjir yang dihasilkan oleh Sungai Mangottong sebesar m 3 /s atau setara dengan debit banjir periode ulang 25.3 tahun (Rahayu 2008). Validasi Model Hasil simulasi daerah yang tergenang tersebut kemudian divalidasi berdasarkan perbandingan terhadap data titik kedalaman genangan hasil observasi (pengukuran) di lokasi penelitian. Data titik kedalaman genangan di lokasi penelitian diperoleh berdasarkan wawancara penduduk terkait kondisi banjir pada tahun Model Prediksi Genangan Periode Ulang 50 dan 100 Tahun Setelah proses validasi dilakukan, maka dilanjutkan dengan simulasi genangan untuk memprediksi dan memetakan daerah genangan pada periode ulang 25, 50 dan 100 tahun dengan input nilai volume masing-masing yaitu sebesar m 3, m 3 dan m 3, yang juga dihitung berdasarkan volume kurva hidrograf sintetis debit banjir yang dihasilkan oleh Sungai Mangottong (Rahayu 2008). Data DEM yang telah dianalisis dalam proses simulasi yaitu telah diperoleh daerah yang tergenang, selanjutnya akan dikonversi kembali ke bentuk format raster Esri grid menggunakan ArcGIS untuk digunakan dalam analisis selanjutnya. 4) Analisis Risiko Bencana Banjir a. Analisis Bahaya (Hazard) Berdasarkan hasil simulasi pemodelan spasial genangan banjir, maka analisis bahaya banjir dilakukan dengan memilih hasil simulasi genangan periode ulang 25 tahun sebagai peta bahaya banjir. Analisis bahaya banjir pada lokasi penelitian dilakukan dengan membagi kelas kedalaman genangan berdasarkan tingkat bahayanya. Adapun pembagian kelas kedalaman genangan mengacu pada BNPB (2012) yaitu disajikan pada Tabel 4.

15 27 Tabel 4 Kelas bahaya banjir berdasarkan kedalaman genangan (BNPB 2012) Kelas Bahaya Kedalaman (meter) Rendah <0.76 Sedang 0,76 1,5 Tinggi >1,5 b. Analisis Kerentanan (Vulnerabilty) Dalam penelitian ini, analisis kerentanan dikaji berdasarkan kriteria kerentanan fisik, kerentanan sosial, dan eksposur lahan. Setiap kriteria dianalisis dengan prosedur sebagai berikut: 1. Kerentanan fisik dinilai berdasarkan jumlah bangunan yang berada di daerah genangan banjir, yang diperoleh dengan melakukan dijitasi citra satelit WorldView-2 dalam bentuk data titik (point). Selanjutnya dilakukan analisis untuk mengelompokkan jumlah bangunan dengan metode Point Statistics di ArcGIS berdasarkan analisis ketetanggaan (neighborhood) menggunakan tipe circle dengan radius 100 meter, dan tipe statistik yang dipilih yaitu sum, dengan output berupa data raster dengan ukuran piksel meter. Hasil yang diperoleh kemudian dikelaskan dengan metode klasifikasi Natural Breaks (Jenks), Metode tersebut juga dikenal sebagai goodness of varians fit, digunakan untuk meminimalkan penyimpangan kuadrat dari rata-rata kelas (ESRI 2012). Jumlah bangunan di lokasi penelitian dikelaskan sebanyak 3 kelas yaitu kelas rendah (skor 0.33), sedang (skor 0.67), dan tinggi (skor 1). 2. Kerentanan sosial dinilai berdasarkan kepadatan penduduk. Kepadatan penduduk dihitung berdasarkan jumlah penduduk (mewakili 1 unit bangunan pemukiman yang berada di daerah genangan banjir) per km 2. Berdasarkan data titik bangunan, dilakukan penyeleksian terhadap titik bangunan yang termasuk bangunan pemukiman dengan mengacu pada data penggunaan lahan. Jumlah penduduk untuk setiap unit bangunan pemukiman dihitung berdasarkan jumlah penduduk di setiap administrasi desa/kelurahan dibagi dengan jumlah rumah tangga di setiap administrasi desa/kelurahan di lokasi penelitian. Hasil bagi antara

16 28 jumlah penduduk dan jumlah rumah tangga merupakan jumlah rata-rata penduduk yang tinggal dalam 1 unit bangunan. Selanjutnya dilakukan analisis Point Density untuk menghitung kepadatan penduduk dengan menggunakan data titik bangunan pemukiman yang atributnya telah diisi dengan jumlah penduduk. Point Density di ArcGIS dilakukan berdasarkan analisis ketetanggaan (neighborhood) menggunakan tipe circle dengan radius 100 meter per unit luasan km 2, dengan output berupa data raster dengan ukuran piksel meter. Hasil yang diperoleh kemudian dikelaskan dengan metode klasifikasi Natural Breaks (Jenks) sebanyak 3 kelas yaitu kelas rendah (skor 0.33), sedang (skor 0.67), dan tinggi (skor 1). 3. Ekposur lahan dinilai berdasarkan nilai kerugian (ekonomi) setiap kelas penggunaan lahan di daerah genangan banjir. Nilai kerugian setiap kelas penggunaan lahan dihitung secara relatif berupa bobot, berdasarkan pembobotan yang dilakukan dengan metode perbandingan berpasangan (pairwise comparison) dalam metode Analytialc Hierarchy Process (AHP) (Saaty 1988). Kelas penggunaan lahan yang dinilai adalah kelas Pemukiman/Perumahan (PP), Bisnis (B), Perkantoran (PK), Fasilitas Pendidikan (FP), Fasilitas Kesehatan (FK), Sawah (S), Kebun Campuran (KC), dan Tambak/Empang (T), sedangkan kelas Ruang Terbuka/Lapangan, Semak Belukar, Mangrove, dan Sungai diberi nilai 0, dengan asumsi tidak menghasilkan dampak kerugian bagi penduduk. Nilai bobot yang dihasilkan kemudian dinormalisasi untuk menghasilkan skor dengan kisaran nilai 0 1. Data eksposur lahan kemudian dikonversi kebentuk raster dengan ukuran piksel meter. Setelah semua kriteria kerentanan telah dianalisis, analisis kerentanan bencana banjir di lokasi penelitian dilakukan dengan metode spasial MCDA (Multi Criteria Decision Analysis) yaitu menggabungkan beberapa kriteria secara spasial berdasarkan nilai dari masing-masing kriteria (Malczewski 1999). Penggabungan beberapa kriteria dilakukan dengan proses overlay secara operasi matematika berdasarkan nilai skor dan bobot (weight) masing-masing kriteria

17 29 kerentanan. Berdasarkan hal tersebut, untuk menganalisis kerentanan digunakan persamaan berikut:... (9) dimana V adalah kerentanan; V p adalah kerentanan fisik berdasarkan nilai skornya; V s adalah kerentanan sosial berdasarkan nilai skornya; E l adalah eksposur lahan berdasarkan nilai skornya; dan w adalah bobot masing-masing kriteria. Pembobotan (weighting) masing-masing kriteria kerentanan dilakukan dengan metode perbandingan berpasangan dalam metode AHP (Saaty 1988). Perbandingan antara masing-masing kriteria diminta dari tim ahli (pakar) melalui kuisioner (Lampiran 4), yang memiliki tujuan untuk membuat penilaian komparatif (preferensi) tentang kepentingan relatif dari masing-masing pasangan kriteria dalam hal kriteria yang mereka ukur. Pemberian nilai oleh pakar berdasarkan skala nilai kepentingan yang disarankan Saaty (1988), seperti disajikan pada Tabel 5. Tabel 5 Skala nilai kepentingan untuk perbandingan berpasangan (pairwise comparison) Skala Intensitas Kepentingan Keterangan 1 Sama penting Kedua elemen sama pentingnya 3 Sedikit lebih penting Elemen yang satu sedikit lebih penting daripada elemen yang lainnya. 5 Lebih penting Elemen yang satu lebih penting daripada yang lainnya. 7 Sangat penting Satu elemen jelas sangat lebih penting daripada elemen lainnya dan memiliki dominasi nyata 9 Mutlak penting Satu elemen mutlak penting daripada elemen lainnya dan dipilih secara tegas. 2,4,6,8 Nilai menengah Nilai ini diberikan bila ada dua kompromi di antara 2 pilihan. 1/n Kebalikan (reciprocals) Nilai untuk kebalikan perbandingan. Jika untuk aktivitas i mendapat satu angka disbanding dengan aktivitas j, maka j mempunyai nilai kebalikannya dibanding dengan i. Langkah selanjutnya dari proses perhitungan yaitu nilai-nilai preferensi yang diberikan disintesis menggunakan tabel matriks untuk menentukan ranking dari faktor yang relevan dalam hal nilai-nilai numerik yang setara dengan bobot faktor. Oleh karena itu nilai-nilai eigen dan eigenvektor dari matriks preferensi

18 30 mengungkapkan rincian penting tentang pola dalam matriks data yang dihitung. Beberapa pengalaman dalam proses AHP, nilai-nilai dari matriks perbandingan berpasangan biasanya akan dianggap baik dan tidak ditetapkan secara sewenangwenang. Namun, perasaan responden dan preferensi tetap tidak konsisten dan intransitif, yang kemudian dapat menyebabkan gangguan dalam perhitungan eigenvektor (Marinoni 2004). Agar hasil penilaian konsisten melalui kuisioner yang dibuat, responden diarahkan untuk terlebih dahulu mengurutkan tiap indikator berdasarkan urutan prioritas yang dianggap penting kemudian memberikan nilai kepentingan relatifnya (Panuju, Desember 2012, komunikasi pribadi), seperti disajikan pada Lampiran 2. Untuk menilai konsistensi hasil penilaian kepentingan relatif secara berpasangan, digunakan rasio konsistensi/consistency ratio (CR). Saaty (1988) mendefinisikan CR sebagai rasio antara consistency index (CI) terhadap suatu average consistency index (RI) berdasarkan persamaan berikut:... (10)... (11) dimana λ max adalah vektor prioritas dikalikan dengan masing-masing jumlah kolom; dan n adalah jumlah kriteria. Nilai CR <0.1 disebut konsisten. RI atau juga disebut indeks acak (random index), adalah dihitung oleh Saaty dan Sodenkamp (2008) sebagai konsistensi rata-rata matriks persegi pada berbagai n yang di-order yang diisi dengan masukan acak. Nilai RI pada berbagai tingkat order disajikan pada Tabel 6. Tabel 6 Nilai RI pada berbagai tingkat order Order RI Proses akhir dari penentuan bobot masing-masing kriteria dilakukan dengan menggabungkan nilai bobot dari masing-masing responden menjadi satu nilai, dengan menggunakan metode rata-rata geometrik (Marimin 2008). Hasil dari perhitungan rata-rata geometrik terhadap bobot masing-masing kriteria akan

19 31 dilakukan kembali perhitungan dengan metode pairwise comparison. Adapun rumus yang digunakan dalam perhitungan rata-rata geometrik yaitu sebagai berikut:...(12) dimana adalah rata-rata geometrik; n adalah jumlah responden; dan X i adalah penilaian oleh responden ke-i. Berdasarkan konsep analisis spasial, alur proses analisis kerentanan dengan metode spasial MCDA untuk menghasilkan peta kerentanan di lokasi penelitian disajikan pada Gambar 10. Hasil yang diperoleh kemudian dikelaskan menggunakan klasifikasi Equal Interval (interval sama) menjadi 3 kelas yaitu kelas rendah (skor 0.33), sedang (skor 0.67), dan tinggi (skor 1). Kerentanan Fisik (Jumlah Bangunan) Kerentanan Sosial (Jumlah Penduduk) Eksposur Lahan (Penggunaan Lahan) Penentuan skor Penentuan skor Penentuan skor Penentuan Bobot Penentuan Bobot Penentuan Bobot Overlay Reklasifikasi (Rendah, Sedang, Tinggi) Peta Kerentanan Gambar 10 Alur proses analisis kerentanan dengan metode spasial MCDA. c. Analisis Risiko (Risk) Risiko banjir dapat dihitung berdasarkan persamaan umum:... (13)

20 32 dimana: R adalah risiko (risk); H adalah bahaya (hazard); dan V adalah kerentanan (vulnerability). Menurut BNPB (2012) hasil indeks perkalian perlu dikoreksi dengan menunjukkan pangkat 1/n, untuk mendapatkan kembali dimensi asalnya. Berdasarkan koreksi tersebut digunakan persamaan:...(14) Berdasarkan persamaan tersebut, analisis risiko dikaji secara spasial yaitu dalam bentuk peta risiko, dengan menggabungkan komponen H (peta bahaya) dan V (peta kerentanan). Seperti halnya dalam analisis kerentanan, risiko bencana banjir dianalisis dengan menggunakan metode spasial MCDA. Nilai skor masingmasing komponen risiko diberi nilai pada kisaran 0 1, yaitu untuk kelas rendah diberi skor 0.33, kelas sedang diberi skor 0.67, dan kelas tinggi diberi skor 1. Nilai-nilai skor tersebut merupakan nilai normalisasi dari pemberian nilai pada skala 1 3. Semakin tinggi nilai yang diberikan, maka semakin besar pengaruhnya terhadap risiko. Selanjutnya, untuk nilai bobot masing-masing komponen risiko diberikan nilai bobot yang sama yaitu 0.5. Alur proses analisis risiko dengan metode spasial MCDA disajikan pada Gambar 11. Hasil yang diperoleh kemudian dikelaskan menggunakan klasifikasi Equal Interval (interval sama) menjadi 3 kelas yaitu kelas rendah, sedang, dan tinggi. Peta Bahaya Penentuan Skor Penentuan Bobot Overlay 2 = ( Reklasifikasi (Rendah, Sedang, Tinggi) Peta Risiko Peta Kerentanan Penentuan Skor Penentuan Bobot Gambar 11 Alur proses analisis risiko dengan metode spasial MCDA.