You are on page 1of 9

Jurnal Pengelolaan Sumberdaya Alam dan Lingkungan Available online at:

Vol. 6 No. 1 (Juli 2016): 77-85 http://journal.ipb.ac.id/index.php/jpsl/


e-ISSN: 2460-5824 doi : 10.19081/jpsl.6.1.77

DETEKSI AREA BEKAS KEBAKARAN HUTAN DAN LAHAN


MENGGUNAKAN DATA CITRA RESOLUSI MENENGAH MODIS
DENGAN PENDEKATAN INDEKS KEBAKARAN
The detection of burnt area using medium resolution satellite imagery of MODIS based on fire
index approach

Mirzha Hanifaha, Lailan Syaufinab, Indah Prasastic


a
Program Studi Silvikultur, Sekolah Pascasarjana Institut Pertanian Bogor, Fakultas Kehutanan, Kampus IPB
Darmaga, Bogor 16680 mirzhanifah22@gmail.com
b
Departemen Silvikultur, Fakultas Kehutanan Institut pertanian Bogor, Kampus IPB Darmaga, Bogor 16680
c
Peneliti Pusat Pemanfaatan Penginderaan Jauh LAPAN

Abstract. This research examined the use of fire index algorithms to detect and recognize the burnt area in West Kalimantan by
applying the pre-fire and post-fire image comparison technique. The main data used were derived from remotely sensed data
MODIS acquired from Januari to April 2014. The examined algorithms utilized the near-infrared (NIR) and short-infrared (SWIR)
wavelength spectrums. in the case of forest and land fires, occured the value of NIR decreases as the amount of chlorophyll de-
crease, while the pixel values and the inceasing value of SWIR will increase due to the rising temperature. The research objective
was to the capability of the algorithms in detecting burnt forest and land areas in several selected areas in West Kalimantan, using
few indices generated from MODIS data. The examined indices were NDFI (Normalized Difference Fire Index) and MNDFI
(Modified Normalized Difference Fire Index), which utilize the reflectance values of band 2 (NIR) and band 7 (SWIR) from
MODIS. The study results show that both the NDFI and MNDFI were applicable in detecting burnt area having good performance
with the Normalize Distance (D) values larger than 1. Based on D-Value and accuracy assessment, MNDFI algorithm gave better
index than the NDFI in detecting both forest and land areas.

Keywords: burnt area, MNDFI, NDFI, MODIS

(Diterima: 25-01-2016; Disetujui: 10-03-2016)

1. Pendahuluan kebakaran, serta pemasangan rambu-rambu larangan


pembakaran hutan dan lahan. Di Indonesia, terdapat
Kebakaran hebat pertama di Indonesia merupakan delapan provinsi rawan kejadian kebakaran hutan dan
akibat gabungan antara pengelolaan hutan dan fenome- lahan, terutama wilayah Sumatera dan Kalimantan
na iklim El Nino yang menghancurkan sebagian besar (KLH 2014). Berdasarkan laporan Lembaga Pen-
wilayah hutan di Kalimantan Timur selama tahun erbangan dan Antariksa Nasional (LAPAN) pada tahun
1982/83 dan menjadi perhatian internasional sebagai 2014, wilayah Kalimantan tercatat memiliki jumlah
isu lingkungan dan ekonomi, khususnya setelah titik panas yang tinggi, salah satunya Provinsi Kali-
bencana El Nino 1997/98 yang menghanguskan lahan mantan Barat. Oleh karena itu, upaya pencegahan dan
hutan seluas 25 juta hektar di seluruh dunia (Gol- tindakan penanganan pasca kebakaran hutan dan lahan
dammer dan Seibert 1990; Tacconi 2003). Lebih lanjut di Indonesia terutama pada daerah rawan perlu
Tacconi (2003) menjelaskan bahwa kebakaran hutan mendapat perhatian khusus, guna mencegah kerugian
dan lahan dianggap sebagai ancaman potensial bagi yang lebih besar lagi.
pembangunan berkelanjutan karena dampaknya secara Penelitian terkait identifikasi area bekas kebakaran
langsung pada ekosistem, keanekaragaman hayati, hutan dan lahan menggunakan data penginderaan jauh
hingga kontribusi emisi karbon. Oleh karena itu, saat ini makin berkembang, karena adanya peningkatan
berbagai upaya dilakukan oleh Pemerintah untuk kebutuhan data luas kebakaran hutan dan lahan yang
mengantisipasi dan menanggulangi bencana tersebut cepat dan akurat dalam skala regional hingga global
seperti deteksi dini kejadian kebakaran hutan dan lahan (Giglio et al. 2009). Selain itu, Peraturan Pemerintah
memanfaatkan data hotspot maupun Sistem Peringatan (PP) No 45 Tahun 2004 Tentang Perlindungan Hutan
Bahaya Kebakaran (SPBK), penyuluhan pada telah mensyaratkan bahwa salah satu kegiatan pe-
masyarakat sekitar hutan maupun lembaga terkait nanganan pasca kebakaran adalah pengukuran dan
lainnya, pengadaan atau penambahan alat pemadam sketsa lokasi kebakaran. Namun upaya yang disyarat-

77
ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol. 6 (1): 77-78

kan oleh PP tersebut terhambat oleh beberapa kendala bakaran hutan dan lahan menggunakan metode pem-
teknis lapangan seperti sulitnya lokasi kejadian keba- bandingan citra sebelum kebakaran (pre fire) dengan
karan yang sulit terjangkau. Kondisi ini menyebabkan citra setelah kebakaran (post fire). Hasil penelitian ini
perhitungan luas dilakukan dengan perkiraan, sehingga diharapkan dapat menghasilkan model yang lebih baik
akurasinya sangat dipertanyakan. Dengan demikian, dalam mengidentifikasi area bekas kebakaran. Dengan
upaya untuk mendapatkan data yang akurat dan menga- demikian, hasilnya dapat digunakan sebagai bahan per-
tasi beberapa kendala yang dihadapi di lapangan diper- timbangan oleh pemerintah setempat dan instansi
lukan teknologi yang memadai, salah satunya dengan terkait lainnya dalam membuat kebijakan pengendalian
memanfaatkan data penginderaan jauh seperti citra kebakaran hutan dan lahan di Provinsi Kalimantan
resolusi sedang MODIS. Pemanfaatan teknologi Barat.
penginderaan jauh menjadi solusi yang tepat untuk
pemantauan dan pengukuran dampak kebakaran hutan
dan lahan dalam cakupan wilayah yang luas (Miettinen 2. Metode Penelitian
2007; Prasati et al. 2012). Selain cakupan wilayah
yang dipetakan lebih luas, penginderaan jauh juga 2.1. Data
memberikan waktu pemantauan yang lebih near real-
time dibandingkan menggunakan data observasi lapan- Data yang digunakan dalam penelitian ini meliputi:
gan (Prasasti et al. 2012). data citra MODIS (reflektansi kanal 2 dengan resolusi
Data luas area bekas kebakaran hutan dan lahan san- spasial 250 m, dan kanal 7 dengan resolusi spasial 500
gat penting dan dapat digunakan sebagai acuan m), citra Landsat 8 dengan nomor path/row 122/060
kegiatan rehabilitasi, estimasi emisi karbon, hingga (21 Maret 2014), serta hotspots periode 2014. Data
penegakan hukum bagi pemerintah setempat dan in- citra diperoleh dari Pusat Pemanfaatan Penginderaan
stansi-instansi terkait lainnya. Selama ini untuk Jauh LAPAN, sedangkan data hotspot didapatkan dari
mendeteksi dan memantau kejadian kebakaran hutan NASA (https://firms.modaps.eosdis.nasa.gov) untuk
dan lahan dari data penginderaan jauh digunakan titik wilayah Kalimantan Barat. Perangkat lunak
panas (hotspots). Namun dari hasil penelitian Boer et pengolahan data yang digunakan dalam penelitian ini
al. (2011) menunjukkan bahwa tidak semua hotspot adalah pengolah data sistem informasi geografis yang
yang terdeteksi dan tersebar di suatu wilayah merupa- terdapat di LAPAN.
kan wilayah kebakaran dan banyaknya jumlah hotspot
tidak selalu berkorelasi dengan semakin luasnya areal 2.2. Metode
yang terbakar. Dengan demikian, untuk mendeteksi
hingga mengestimasi luas area bekas kebakaran Penelitian ini dilakukan melalui beberapa tahap
menggunakan data hotspot perlu dievaluasi dan dicari kegiatan sebagai berikut: 1. Pengumpulan dan pen-
alternatif lain seperti penggunaan metode atau model golahan awal data, 2. Pengolahan data hotspot bulanan,
algoritma yang lebih spesifik untuk digunakan dalam 3. Ekstraksi variabel indeks dari citra MODIS, 4. Pem-
mengidentifikasi area bekas kebakaran hutan dan lahan. buatan dan pengambilan data contoh (training sample
Beberapa penelitian terkait dengan identifikasi dan data), 5. Penghitungan tingkat kemampuan model in-
estimasi luas area bekas kebakaran khususnya di Indo- deks dalam penentuan area bekas kebakaran hutan dan
nesia telah dilakukan oleh beberapa peneliti. Suwar- lahan. Masing-masing tahapan kegiatan dijelaskan
sono (2012) menggunakan beberapa variabel yang di- lebih rinci dalam sub bab berikut ini.
turunkan dari nilai pantulan atau reflektansi sebuah
kanal spektral maupun indeks yang merupakan kom- a. Pengumpulan dan Pengolahan Awal Data
binasi dari beberapa nilai pantulan kanal spektral.
Data hotspot dikumpulkan dan diunduh dari FIRMS
Peneliti lain menduga luas area bekas kebakaran hutan
NASA (https://firms.modaps.eosdis.nasa.gov) periode
dan lahan menggunakan nilai NDVI (Normalized Dif-
Januari-Desember 2014 untuk wilayah Kalimantan
ference Vegetation Index) (Kasischke et al. 1995, Fra-
Barat. Data citra MODIS yang digunakan dikumpul-
ser et al. 2000, Chuvieco et al. 2005, Suwarsono et al.
kan dari Pemanfaatan Penginderaan Jauh LAPAN
2009, Suwarsono 2012), dan NBR (Normalized Burn
periode Januari-April 2014. Data citra diakuisi dan
Ratio) (Brewer et al. 2005, Eidensink et al. 2005, Su-
diproses awal sebelum diturunkan menjadi nilai re-
warsono 2012, Nunohiro et al. 2007), juga NDFI
flektansi dan indeks. Proses awal yang dimaksud ada-
(Normalized Difference Fire Index) (Nunohiro et al.
lah koreksi geometrik.
2007). Beberapa indeks tersebut telah dicoba di Indo-
nesia, walaupun masih perlu pengembangan lebih
b. Pengolahan Data Hotspot Bulanan
lanjut untuk mendapatkan model identifikasi serta es-
timasi luas area bekas kebakaran hutan dan lahan Data hotspot bulanan dihitung berdasarkan akumu-
dengan tingkat akurasi yang lebih tinggi (Suwarsono lasi data hotspot harian pada bulan tersebut. Data ini
2012), khususnya untuk wilayah Kalimantan Barat. digunakan untuk mengetahui pola intensitas hotspot
Penelitian ini mengkaji pemanfaatan data MODIS secara temporal yang akan menjadi acuan dasar dalam
untuk identifikasi area kebakaran menggunakan model mengidentifikasi area bekas kebakaran hutan di Kali-
yang telah dikembangkan sebelumnya, khususnya oleh mantan Barat. Dari pola intensitas hotspot secara tem-
Nunohiro et al. (2007) untuk mendeteksi kejadian ke- poral ini akan diperoleh informasi mengenai periode

78
JPSL Vol. 6 (1): 77-85, Juli 2016

terjadinya peningkatan, puncak, penurunan intensitas untuk masing-masing model identifikasi. Mengacu
kebakaran hutan di Kalimantan Barat. Informasi ini pada Fraser et al. (2000) threshold yang akan
penting untuk menentukan rentang waktu dari citra digunakan untuk menentukan area bekas kebakaran
MODIS yang dipilih untuk identifikasi area bekas ke- adalah µ-3𝜎.
bakaran hutan dan lahan.
f. Pembuatan Area Bekas Kebakaran Hutan dan
c. Perhitungan Indeks Indikator Area Bekas Keba- Lahan Sebagai Data Referensi
karan Hutan dan Lahan Tingkat akurasi area bekas kebakaran hutan yang
Perhitungan indeks indikator luas kebakaran hutan dihasilkan dari citra MODIS diperlukan data area bekas
dan lahan dikembangkan dari model yang digunakan kebakaran hutan pembanding atau data referensi (Su-
oleh Nunohiro et al. (2007). Model tersebut me- warsono 2012). Penentuan area pembanding dalam
manfaatkan nilai reflektansi kanal 2 dan 7 MODIS. penelitian ini menggunakan hasil interpretasi visual
Berdasarkan sifat kedua kanal tersebut diturunkan terhadap lokasi area terbakar yang diolah dari data citra
model deteksi kebakaran hutan NDFI (Normalized Dif- Landsat 8 yang memiliki resolusi spasial lebih tinggi.
ference Fire Index) dan MNDFI (Modified Normalized Area yang dipilih untuk dijadikan pembanding juga
Difference Fire Index). Berikut adalah persamaan un- berdasarkan dari persebaran hotspot (MODIS) dalam
tuk menghitung nilai NDFI, MNDFI berdasarkan jumlah yang tinggi.
metode Nunohiro et al. (2007):
g. Identifikasi Area Bekas Kebakaran Hutan dan
Lahan dari Citra MODIS
Identifikasi area bekas kebakaran hutan dan lahan
menggunakan syarat yang didasari threshold sebe-
lumnya. Sebuah piksel akan teridentifikasi sebagai area
terbakar jika memenuhi syarat sebagai berikut:
dimana: BA ≥ t(indeks post) dan BA ≥ t(∆indeks)
NDFI = Normalized Difference Fire Index
MNDFI = Modified NDFI ∆indeks = Indekspost - Indekspre
B2 = Reflektansi kanal 2 MODIS dimana :
B7 = Reflektansi kanal 7 MODIS BA = Piksel area terbakar masing-
5% = Nilai NDFI dikalikan 5% masing indeks
t(indeks post) = Threshold berdasarkan nilai ref-
lektansi paska kebakaran
d. Pembuatan dan Pengambilan Data Contoh (Train- t(∆indeks) = Threshold berdasarkan ∆ indeks
ing Sample Data) Indekspost = Nilai reflektansi paska kebakaran
Training sampel data dibuat berdasarkan hasil Indekspre = Nilai reflektansi sebelum keba-
pengamatan secara visual citra satelit MODIS daerah- karan
daerah yang diduga merupakan area bekas kebakaran
hutan dan lahan. Pengambilan training sampel data h. Penghitungan Tingkat Kemampuan Model Indeks
dilakukan dengan pembandingan citra sebelum dalam Penentuan Area Bekas Kebakaran Hutan
kebakaran dengan setelah kebakaran. Daerah contoh dan Lahan
yang diambil pada citra sebelum kebakaran adalah
Kaufman dan Remer (1994) menyatakan bahwa
daerah yang memiliki warna piksel kehijauan
penghitungan tingkat kemampuan model berbasis nilai
sedangkan pada citra setelah kebakaran adalah daerah
reflektansi dan indeks dalam penentuan area bekas ke-
yang memiliki warna piksel coklat kemerahan. Ukuran
bakaran hutan (Discrimination ability) dapat dilakukan
piksel minimum yang diambil berukuran 2x2 piksel.
dengan menghitung nilai Normalized Distance (D).
Penentuan training sampel data menjadi acuan dasar
Discrimination ability dalam istilah lain disebut dengan
dalam penentuan model manakah yang dengan baik
separabilitas. Nilai D diperoleh dengan menghitung
mengidentifikasi area bekas kebakaran hutan dan lahan.
nilai selisih antara rata-rata nilai sampel setelah dan
sebelum terbakar dibagi dengan jumlah standar deviasi
e. Penentuan Ambang Batas (Threshold) Area Bekas
keduanya. Semakin tinggi nilai D maka semakin tinggi
Kebakaran Hutan dan Lahan kemampuan nilai reflektansi atau indeks dalam men-
Nilai ambang batas sangat menentukan tingkat gidentifikasi area bekas kebakaran hutan. Nilai D > 1
akurasi area bekas kebakaran hutan dan lahan yang menunjukkan bahwa model memiliki kemampuan yang
dihasilkan (Suwarsono 2012). Perhitungan nilai am- baik dalam membedakan area terbakar dengan tidak
bang batas dilakukan dengan menghitung rata-rata (µ) terbakar, sedangkan jika D < 1 maka indeks tersebut
dan standar deviasi (𝜎) yang diperoleh dari training mempunyai kemampuan yang rendah dalam mem-
sample data citra MODIS. Penghitungan threshold ini bedakan area terbakar atau tidak. Penghitungan nilai D
dilakukan pada masing-masing nilai paska kebakaran ini juga dapat digunakan sebagai alat untuk verifikasi
dan selisih antara nilai sebelum dan paska kebakaran model. Berdasarkan hasil uji akurasi dan perhitungan
79
ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol. 6 (1): 77-78

maka dapat diketahui indeks identikasi mana yang pal- mulai bulan Januari 2014 dan mencapai puncaknya di
ing sesuai digunakan untuk daerah Kalimantan Barat. bulan Februari 2014 sebanyak 440 hotspot dan
Persamaan yang digunakan dalam menghitung nilai D menurun kembali di bulan Maret 2014 hingga Mei
adalah (Kaufman dan Remer 1994): 2014, kemudian jumlah hotspot mengalami
peningkatan kembali pada tahun yang sama di bulan
Juni dan mencapai puncak keduanya di bulan Juli
sebanyak 918 hotspot dan kembali menurun di bulan
dengan : Agustus 2014 (Gambar 1). Dengan demikian, dapat
D = Normalize distance diduga bahwa periode kebakaran pada tahun 2014 di
µ1 = Rata-rata sampel sebelum kebakaran Kalimantan Barat terjadi sekitar bulan Februari dan Juli
µ2 = Rata-rata sampel setelah kebakaran karena intensitas hotspot tertinggi terjadi pada bulan
tersebut.
𝜎1 = Standar deviasi sampel sebelum kebakaran
Kenaikan jumlah hotspot pada bulan-bulan tersebut
𝜎2 = Standar deviasi sampel setelah kebakaran
umumnya terjadi pada saat adanya penurunan curah
hujan di Provinsi Kalimantan Barat seperti yang di-
i. Penghitungan Tingkat Akurasi Hasil Area Bekas
tunjukkan pada Gambar 2. Pola curah hujan di provin-
Kebakaran Hutan dari Citra MODIS si ini memiliki pola ekuatorial dan monsunal (Juaeni et
Tingkat akurasi area bekas kebakaran hutan yang al. 2010), yang berarti wilayah ini memiliki dua pun-
dihasilkan dari citra MODIS dilakukan dengan mem- cak musim penghujan maupun kemarau. Bulan ter-
bandingkannya dengan hasil penafsiran citra Landsat 8. basah pertama terjadi pada bulan April sedangkan bu-
Berdasarkan data area bekas kebakaran hutan hasil lan basah kedua terjadi pada bulan Desember. Bulan
identifikasi dari citra MODIS dan data referensi maka dengan curah hujan terendah adalah bulan Februari dan
tingkat akurasi area bekas kebakaran hutan dapat sekitar bulan Agustus (Aldrian 2001; Juaneni et al.
diketahui dengan menghitung nilai ICSI (Individual 2010). Berdasarkan intensitas hotspot bulanan di atas,
Classification Succses Index) yaitu dengan perekaman citra MODIS untuk analisis indeks NDFI
menggunakan persamaan yang diadosi dari Koukoulas dan MNDFI dapat diambil dari salah satu periode ke-
dan Blachburn (2001) sebagai berikut: bakaran di bulan Februari atau Juli. Dengan memper-
timbangkan ketersediaan data, maka penelitian ini
ICSI = 1 – Error of Omm% + Error of Comm% menggunakan periode kebakaran bulan Februari.
Namun perlu diperhatikan pula data pada periode
dimana: kedua yang dapat lebih memastikan kondisi area terba-
ICSI = Individual Classification Succses Index kar secara lebih menyeluruh. Hal ini merupakan
Omm = Burned area yang masuk ke kelas lain keterbatasan penelitian yang dilakukan.
Comm = Burned area tambahan dari kelas lain Secara spasial, sepanjang tahun 2014, hotspot men-
galami distribusi di hampir seluruh wilayah Kaliman-
tan Barat. Dari 2025 hotspot, sebagian besar terdistri-
3. Hasil dan Pembahasan busi di Kabupaten Ketapang sebanyak 977 hotspot.
Daerah lainnya yang terpantau memiliki jumlah
3.1. Intensitas Hotspot Bulanan hotspot yang tinggi adalah Kabupaten Sambas
sebanyak 435 hotspot, Kabupaten Sintang sebanyak
Berdasarkan hasil perhitungan akumulasi hotspot 321 hotspot, Kabupaten Kubu Raya sebanyak 290
bulanan menunjukkan bahwa jumlah hotspot di hotspot, serta Kabupaten Pontianak sebanyak 245
Kalimantan Barat sepanjang tahun 2014 mencapai hotspot (Gambar 3).
2025 hotspot. Jumlah hotspot mengalami peningkatan

Periode kebakaran 1 Periode kebakaran 2

Gambar 1. Intensitas hotspot bulanan di Provinsi Kalimantan Barat tahun 2014 (Sumber: FIRMS NASA
https://firms.modaps.eosdis.nasa.gov)

80
JPSL Vol. 6 (1): 77-85, Juli 2016

Gambar 2. Intensitas curah hujan bulanan dengan titik panas di Provinsi Kalimantan Barat tahun 2014 (Sumber: CMORPH
http://iridl.ldeo.Colombia.udu/expert/Sources/.IRI/.Analyses/.Loust/.CMORPH/.dekadsum)

Gambar 3. Peta distribusi spasial hotspot di Provinsi Kalimantan Barat tahun 2014 (Sumber hotspot: FIRMS NASA
https://firms.modaps.eosdis.nasa.gov)

data dalam mengesktraksi citra MODIS. Kedua citra


3.2. Nilai NDFI dari Ekstraksi Citra MODIS MODIS akan dibandingkan secara visual. Citra
MODIS sebelumnya diakuisi dan diproses awal
Berdasarkan hasil analisis distribusi temporal kemudian dipisahkan citra yang benar-benar bersih dari
hotspot bulanan periode 2014 maka dapat ditentukan tutupan awan, atau yang memiliki tutupan awan sangat
periode kebakaran yang akan digunakan sebagai sedikit. Hal ini bertujuan untuk memudahkan
tanggal perekaman citra satelit yang akan dianalisis. memastikan daerah-daerah mana saja yang diduga
Periode yang dipilih adalah bulan Januari hingga April. sebagai daerah bekas kebakaran hutan dan lahan dalam
Hal ini bertujuan untuk membangun training sample membangun training sample data. Gambar 4

81
ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol. 6 (1): 77-78

menunjukkan contoh citra sebelum dan sesudah Seperti yang dinyatakan oleh Cocke et al. (2005)
kebakaran yang dibandingkan secara visual. bahwa metode yang menggunakan spektrum panjang
Berdasarkan pembandingan secara visual tersebut, gelombang inframerah pendek/Short Wave Infra Red
didapatkan 24 sampel area bekas kebakaran hutan dan akan memberikan hasil yang lebih baik karena spek-
lahan di wilayah Kalimantan Barat. Selanjutnya dari trum ini lebih tidak mudah terpengaruh gangguan at-
sampel–sampel tersebut dilakukan proses perhitungan mosfer seperti asap jika dibandingkan menggunakan
indeks NDFI (Gambar 5). Sampel-sampel tersebut spektrum visible. Demikian dengan hasil penelitian
memiliki karakteristik nilai NDFI yang bervariasi. Miettinen (2007) yang memanfaatkan kanal 2 MODIS
Tabel 1 menunjukkan hasil analisis nilai NDFI pada mampu dengan baik memetakan daerah bekas keba-
periode sebelum dan setelah kebakaran. NDFI karan hutan dan lahan di daerah tropis. Selanjutnya, X
memiliki nilai rata-rata -0.652 saat sebelum kebakaran Cao et al. (2009) juga menyimpulkan karakteristik
sedangkan saat setelah kebakaran menjadi -0.232. Saat spektral dari piksel area bekas kebakaran bahwa spek-
periode sebelum kebakaran NDFI memiliki selang nilai trum NIR dan SWIR mampu membedakan area bekas
rata-rata antara -0.761 hingga -0.495, sedangkan saat kebakaran dengan area yang tidak terbakar serta mam-
setelah kebakaran memiliki selang antara -0.605 hingga pu membedakan dengan badan air dan tutupan awan
0.006. Hasil analisis menunjukkan nilai NDFI tipis.
mengalami peningkatan 42% setelah kebakaran. Hal Saat pre fire kondisi vegetasi lebih dominan
ini sesuai yang dinyatakan oleh Nunohiro et al. (2007) dibandingkan saat post fire dimana keadaan vegetasi
bahwa nilai NDFI akan meningkat dengan jarang atau bahkan hilang yang diduga disebabkan ke-
meningkatnya suhu dan menurunnya jumlah klorofil jadian kebakaran hutan dan lahan. Hal ini terlihat dari
vegetasi akibat kebakaran. pengamatan visual warna piksel citra yang berubah
NDFI merupakan indeks hasil ektraksi dari citra secara drastis, dari warna kehijauan menjadi coklat
MODIS yang memanfaatkan kanal 2 (NIR) dan 7 kemerahan. Oleh karena adanya kondisi vegetasi yang
(SWIR). Terkait dengan kebakaran hutan dan lahan, lebih dominan saat pre fire, nilai kanal 2 yang berko-
nilai kanal 2 (spektrum panjang gelombang inframerah relasi tinggi dengan jumlah klorofil akan lebih tinggi
dekat/Near Infra Red; 0.841-0.876 µm) berkorelasi di-bandingkan kanal 7, sedangkan keadaan sebaliknya
tinggi dengan jumlah klorofil sedangkan kanal 7 saat post fire nilai kanal 7 lebih tinggi yang diakibatkan
(spektrum panjang gelombang inframerah suhu permukaan yang tinggi. Oleh sebab itu, nilai
pendek/Short Wave Infra Red; 2.105-2.155 µm) NDFI dari periode pre fire hingga post fire akan
berkorelasi dengan peningkatan suhu (Nunohiro et al. meningkat.
2007).

(a) Piksel citra sebelum kebakaran (b) Piksel citra setelah kebakaran

Gambar 5. Contoh sampel piksel sebelum dan setelah komposit RGB 621
Tabel 1. Nilai minimum, maksimum, rata-rata dan standar deviasi
NDFI pada area bekas ke-bakaran hutan dan lahan saat sebelum dan
sesudah kebakaran
3.3. Nilai MNDFI dari Ekstraksi Citra MODIS

Periode Dari 24 sampel yang diduga merupakan area bekas


Nilai
NDFI Sebelum Paska kebakaran selanjutnya diproses untuk menghitung nilai
Kebakaran Kebakaran MNDFI. Tabel 2 menunjukkan hasil analisis nilai
Min -0.761 -0.605 MNDFI pada periode sebelum dan setelah kebakaran.
Max -0.495 0.006 MNDFI memiliki nilai rata-rata -0.614 saat sebelum
Mean -0.653 -0.232 kebakaran sedangkan saat setelah kebakaran menjadi -
0.204. Saat periode sebelum kebakaran MNDFI me-
Stdev 0.023 0.068
miliki selang nilai rata-rata antara -0.737 hingga -0.461,

82
JPSL Vol. 6 (1): 77-85, Juli 2016

sedangkan saat setelah kebakaran memiliki selang anta- karan hutan menggunakan metode pembandingan citra
ra -0.555 hingga 0.004. pre fire dengan post fire.
Seperti halnya NDFI, nilai MNDFI juga mengalami
peningkatan sebesar 41% setelah periode paska Tabel 3. Threshold NDFI dan MNDFI untuk mengidentifikasi ar-
ea bekas kebakaran hutan dan lahan
kebakaran. MNDFI merupakan sebuah model yang
dikembangkan Nunohiro et al. (2007) sebagai modifi- Threshold
kasi dari NDFI. Nilai kanal 7 dalam NDFI akan se- Indeks Nilai reflektansi
makin tinggi akibat pengaruh peningkatan suhu serta paska kebakaran
Beda perubahan
dampak penghamburan awan, oleh karena itu kanal 7 NDFI -4372 2834
masih dapat dipengaruhi keberadaan awan. Dengan
penambahan nilai 5% dari NDFI dalam algoritma MNDFI -3957 2809
sebelumnya, dikembangkan MNDFI sebagai indeks
untuk mengidentifikasi area bekas kebakaran hutan dan
lahan yang akan lebih tegas terhadap pengaruh dari 3.6. Identifikasi Area Bekas Kebakaran Hutan dan
awan dan badan air (Nunohiro et al. 2007). Lahan Menggunakan NDFI dan MNDFI
Tabel 2. Nilai minimum, maksimum, rata-rata dan standar deviasi
MNDFI pada area bekas kebakaran hutan dan lahan saat sebelum dan Metode identifikasi yang digunakan adalah pem-
sesudah kebakaran bandingan citra pre fire dan post fire. Sebagai citra
tunggal dalam mengidentifikasi maka digunakan
Periode threshold yang telah ditentukan sebelumnya sebagai
Nilai
MNDFI Sebelum Paska kondisi untuk memisahkan area bekas kebakaran
Kebakaran Kebakaran dengan tidak terbakar. Gambar 6 menunjukkan hasil
Min -0.737 -0.555 identifikasi area bekas kebakaran hutan dan lahan mas-
Max -0.461 0.004 ing-masing variabel NDFI dan MNDFI dari citra
Mean -0.614 -0.204 MODIS.
Stdev 0.021 0.064
3.7. Tingkat Akurasi Indentifikasi Area Bekas
Kebakaran Hutan dan Lahan
3.4. Nilai Distance (D)
Penghitungan tingkat akurasi pada masing-masing
indeks menunjukkan bahwa MNDFI memiliki tingkat
Hasil pengujian 24 sampel area bekas kebakaran hu- akurasi yang sedikit lebih tinggi yaitu sebesar 37.2%,
tan dan lahan sebelumnya menghasilkan D-Value un- sedangkan untuk NDFI memiliki tingkat akurasi sebe-
tuk NDFI sebesar 7.289 sedangkan MNDFI memiliki sar 36.5%. Tingkat akurasi ini masih terbilang rendah
nilai sebesar 7.792. Berdasarkan hal ini dapat karena dijumpai adanya komisi (commision) dan omisi
dikatakan bahwa kedua variabel indeks tersebut akan (ommision), yaitu daerah lain yang tidak terbakar yang
dapat dengan baik mem-bedakan area terbakar dengan ikut terdeteksi sebagai area terbakar atau daerah yang
tidak terbakar sehingga dapat diaplikasikan dalam sebenarnya terbakar namun tidak terdeteksi sebagai
mengidentifika-si area bekas kebakaran hutan dan la- area terbakar. Adanya eror tersebut terkait dengan
han. Miettinen (2007) menyatakan bahwa separabilitas resolusi spasial kanal 2 dan 7 citra MODIS yang
spektral antara area terbakar dengan tidak terbakar digunakan pada algoritma NDFI dan MNDFI. Kanal 2
terkuat adalah dalam lingkup kombinasi ref-lektansi memiliki resolusi spasial 250 meter sedangkan kanal 7
spektrum NIR-SWIR. memiliki resolusi spasial 500 meter. Miettinen (2007)
menjelaskan bahwa luasan terkecil area terbakar yang
3.5. Nilai Ambang Batas (Threshold) NDFI dan dari masih dapat terdeteksi dengan model dari kedua kanal
Citra Modis citra MODIS tersebut berkisar 6.25 hingga 25 ha. Area
terbakar yang terdeteksi pada resolusi spasial 500 me-
Berdasarkan hasil analisis D-Value, telah diketahui ter (luasan 25 ha) tidak berarti bahwa seluruh piksel
bahwa NDFI dan MNDFI merupakan variabel yang merupakan area terbakar, kemungkinan hanya merupa-
mampu mengidentifikasi area bekas kebakaran. Selan- kan area terbakar kecil atau fraksi-fraksi kecil area ter-
jutnya dalam mengidentifikasi area bekas kebakaran bakar yang berukuran kurang dari 25 ha. Demikian
hutan dan lahan menggunakan masing-masing variabel pula area terbakar yang terdeteksi pada resolusi spasial
tunggal tersebut maka dibutuhkan suatu nilai ambang 250 meter (luasan 6.25 ha). Selanjutnya karena perbe-
batas (threshold). Threshold ditentukan berdasarkan daan nilai yang kuat antara area terbakar dengan tidak
hasil perhitungan nilai rata-rata (µ) dan standar deviasi terbakar, meskipun hanya memiliki luasan 40% atau
(𝜎) yang diperoleh dari training sampel data citra kurang dari ukuran satu piksel, daerah tersebut dapat
MODIS. Tabel 3 menunjukkan threshold untuk kedua terdeteksi sebagai area terbakar (Eva dan Lambin
indeks. Threshold sangat menentu-kan tingkat akurasi 1998). Daerah tropis Asia Tenggara banyak dijumpai
area bekas kebakaran hutan dan lahan yang dihasilkan adanya kebakaran-kebakaran kecil berukuran kurang
(Suwarsono 2012). Selanjutnya, threshold ini akan dari 25 ha yang dilakukan oleh masyarakat atau pengu-
digunakan dalam mengidentifikasi daerah bekas keba- saha kecil (Suwarsono 2012). Selain itu karena

83
ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol. 6 (1): 77-78

keterbatasan data sehingga tanggal perekaman citra bekas kebakaran hutan dan lahan dan dapat dikem-
MODIS dengan Landsat yang digunakan dalam bangkan lebih lanjut. Modifikasi NDFI bertujuan un-
penelitian ini tidak sama namun masih berdekatan, tuk memperbaiki nilai kanal 7 dalam NDFI yang mu-
sehingga memungkinkan adanya penambahan area dah terpengaruh oleh suhu dan awan. Berdasarkan
kebakaran di antara selang waktu antara citra tersebut. hasil perhitungan ini, maka dapat dijadikan acuan awal
Walaupun hanya memiliki perbedaan sekitar 0.7% dalam pengembangan algoritma tersebut untuk deteksi
namun hal ini menunjukkan bahwa modifikasi dari kejadian kebakaran hutan dan lahan selanjutnya di dae-
NDFI dapat dijadikan indikator dalam mendeteksi area rah Indonesia yang lain.

(a) Citra MODIS komposit RGB 621 sebelum kebakaran (b) Citra MODIS komposit RGB 621 setelah kebakaran
tanggal 28 Januari 2014 tanggal 2 April 2014

(c) Model NDFI (threshold µ-3𝜎) (d) Model MNDFI (threshold µ-3𝜎)

Gambar 6. Perbesaran hasil identifikasi area terbakar. Area terbakar dari citra MODIS (warna merah) dan area terbakar dari
citra Landsat 8 (garis ungu)
mendapatkan hasil yang lebih baik dan representatif
terhadap karakteristik kebakaran hutan dan lahan yang
4. Kesimpulan terjadi di beberapa wilayah Indonesia serta
menggunakan selang waktu tanggal perekaman citra
Indeks NDFI dan MNDFI memiliki kemampuan yang lebih jauh.
yang baik dalam mengidentifikasi area bekas keba-
karan hutan dan lahan di Kalimantan Barat untuk kasus
kebakaran di Kalimantan Barat pada periode Januari- Ucapan Terima Kasih
April 2014. Indeks MNDFI mempunyai akurasi yang
sedikit lebih tinggi dibandingkan dengan akurasi NDFI. Penulis menyampaikan terima kasih dan apresiasi
Berdasarkan hasil penelitian ini, peneliti menyarank- tertinggi kepada pihak Lembaga Penerbangan dan
an perlu dilakukan pengkajian lebih lanjut terhadap Antariksa Nasional (LAPAN) yang telah memfasilitasi
indeks MNDFI dan NDFI di beberapa wilayah Indone- penulis utama dalam melakukan penelitian, terutama
sia lain yang termasuk wilayah rawan kejadian keba- kepada Suwarsono M.Si yang telah membantu dalam
karan hutan dan lahan. Penambahan parameter iklim, pengumpulan dan pengolahan data.
dan topografi dalam mengidentifikasi area bekas keba-
karan hutan dan lahan juga dipertimbangkan agar

84
JPSL Vol. 6 (1): 77-85, Juli 2016

Daftar Pustaka metode ward dan fuzzy clustering. Jurnal Sains Dirgantara 7
(2), pp. 82-89.
[1] Aldrian, E., 2001. Pembagian iklim Indonesia berdasarkan [12] Kasischke, E.S, N.H. French, 1995. Locating and Estimatinf
pola curah hujan dengan metode double correlation. Jurnal the extent of wildfires in Alaskan boreal forest using multiple-
Sains dan Teknologi Modifikasi Cuaca 2(1), pp. 11-18. season AVHRR NDVI. Journal Remote Sensing of Environ-
[2] Boer R., M. Ardiyansyah, I. Prasasti, L. Syaufina, R. Shiddik, ment 51, pp. 263-275.
2011. Analisis hubungan antara jumlah titik-titik panas [13] Kaufman, Y. J., dan L.A. Remer, 1994. Detection of forest
(hotspots) dengan luas kebakaran hutan dan curah hujan. In. fire using mid-IR reflectance: an application for aerosol
Teknologi Geospasial untuk Ketahanan Pangan dan Pem- srudies. Journal IEEE Transactions on Geoscience and Re-
bangunan Berkelanjutan. Prosiding Pertemuan Ilmiah Tahunan mote Sensing 32, pp. 672-683.
XVII dan Kongres MAPIN V. ISBN: 978-602-97569-0-6. [14] [KLH RI] Kementerian Lingkungan Hidup Republik Indone-
2011 Feb 12, Bogor, Indonesia, pp. 250 – 254. sia. 2014. Lokakarya pencega-han kebakaran hutan dan lahan
[3] Brewer, M. R., J.C. Winne, R.L. Redmond, D.W. Opitz, M.V. menuju masyarakat peduli api. [terhubung berkala].
Mangrich, 2005. Classify-ing and mapping wildfire severity: http://www.menlh.go.id/lokakarya-pencegahan-kebakaran-
a comparison of methods. J Photogrammetric Engineer-ing hutan-dan-lahan-menuju-masyarakat-peduli-api-mpa/ [29 Mei
and Remote Sensing 71 (11), pp. 1311-1320. 2015].
[4] Chuvieco, E., G. Ventura, M.P. Martin, I. Gomez, 2005. [15] Nunohiro, E., K. Katayama, K.J. Mackin, dan J.G. Park.
Assessment of multitemporal compositing techniques of 2007. Forest and field fire search system using MODIS data.
MODIS and AVHRR images for burned land mapping. J Re- Journal of Advanced Computational Intelligence and Intelli-
mote sensing of Environment 94, pp. 450-462. gent Informatics 11 (8), pp. 1043-1048.
[5] Cocke, A. E., Fulé P. Z., J. E. Crouse, 2005. Comparison of [16] Miettinen, J. 2007. Burnt area mapping in insular Southeast
burn severity assessment using Differenced Normalized Burn Asia using medium reolution satellite imagery. Disertasi.
Ratio and ground data. Journal Wildland Fire 14, pp. 189-198. University of Helsinki, Finland.
[6] Eidensink, J., B. Schwind, K. Brewer, Z.L. Zhu, B. Quayle, S. [17] Peraturan Pemerintah Republik Indonesia. 2004. Perlin-
Howard, 2007. A project for monitoring tends in burn severi- dungan Hutan. Tanggal 18 Oktober 2004.
ty. Journal Fire Ecology Special Issue 3 (1), pp. 3-21. [18] Prasasti, I., R. Boer, M. Ardiyansyah, A. Buono, L. Syaufina,
[7] Eva, H., E.F. Lambin, 1998. Remote sensing of biomass Y. Vetrita, 2012. Analisis hubungan kode-kode SPBK (Sis-
burning in tropical regions: sampling issues and multisensor tem Peringkat Bahaya Kebakaran) dan hotspot dengan keba-
approach. Journal Remote Sensing of Environment 64, pp. karan hutan dan lahan di Kalimantan Tengah. Jurnal Pengel-
292-315. olaan Sumberdaya Alam dan Lingkungan 2 (2), pp. 91-101.
[8] Fraser, R.H., Z. Li, J. Cihlar, 2000. Hotspot and NDVI dif- [19] Suwarsono, F. Yulianto, Parwati, T. Suprapto, 2009. Pem-
ferencing synergy (HANDS): A new technique for burned area anfaatan data MODIS untuk iden-tifikasi daerah bekas terba-
mapping over boreal forest. Journal Remote Sensing of En- kar (burned area) berdasarkan perubahan nilai NDVI di
vironment 72, pp. 362-376. Provinsi Kalimantan Tengah tahun 2009. Jurnal Penginderaan
[9] Giglio, L., T. Loboda, D.P. Roy, B. Quayle, C.O. Justice, Jauh 6, pp. 54-64.
2009. An active-fire based burned area mapping algorithm for [20] Suwarsono, 2012. Daerah bekas kebakaran hutan dan lahan
the MODIS sensor. Journal Remote Sensing of Environment (burned area) di Kalimantan. Tesis. Universitas Indonesia,
113, pp. 408-420. Bogor.
[10] Goldammer, J.G., B. Seibert. 1990. The impact of droughts [21] Tacconi, L., 2003. Kebakaran Hutan di Indonesia: Penyebab,
and forest fires on tropical lowland rain forest of Eastern Bor- Biaya, dan Implikasi Kebija-kan. CIFOR Occasional Paper
neo. Dalam: J. G. Goldammer, editor. Fire in the tropical bio- No 28.
ta. Ecosystem processes and global challenges. Springer Ber- [22] X. Cao, J. Chen, B. Matsushita, H. Imura, L. Wang. 2009. An
lin Heidelberg. automatic method for burn scar mapping using support vector
machines. International Journal of Remote Sensing 30(3), pp.
[11] Juaeni, I., D. Yuliani, R. Ayahbi, Noersomadi. 2010. Penge- 577-594.
lompokan wilayah curah hujan Kalimantan Barat berbasis

85