tugas pli
DESCRIPTION
Teknik LingkunganTRANSCRIPT
-
PEMODELAN INDEKS STANDAR PENCEMAR UDARA (ISPU)
DENGAN PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED
REGRESSION Kukuh winarso
1
Mahasiswa Pasca Sarjana Universitas airlangga Surabaya
Email : [email protected]
Abstracs
Air pollution is a major problematic issue of the world lately. There are many major
problems of air pollution , one of them was the development of transportation , industrialization
and unfriendly environmental development effects. The impact is worsening air quality, diminishing
green area, and so threatening the health of living beings especially human.
It is indispensablelity to government awareness and participation of the community to preserve the
clean and free pollution environment. Government policy is needed so that anticipation steps was
objectively right. The major step to help is to create a model of air pollution. The air pollution
modeling approach the gauges air pollution Pollutant Standards Index ( ISPU ) as an indicator of
air pollution . There are five elements in ISPU pollutants are carbon monoxide ( CO ) , Particulate
Matter ( PM ) , sulfur dioxide ( SO2 ) Nitrogen Dioxide ( NO2 ) and Ozone ( O3 ) .
The ISPU model use Mixed Geographically Temporal Weighted Regression (MGTWR)
approximation. MGTWR models are spatio temporal regression model , which is expected to model
the effect of air pollutants with a direct view of pollution geography and timing of the air. There are
seven variables influence the occurrence of air pollution such traffic density , population density ,
business center , air humidity , wind speed , air temperature and the urban forest .
With the model is expected to appear MGTWR regression model that can describe the influence of
air pollution based on the conditions of geography and time its occurred .
Keyword : Air Pollutants, ISPU, Spasio Temporal, Mixed Geographically Weighted regression
PENDAHUUAN
Latar Belakang
Pencemaran udara bukan hanya menjadi permasalahan negara maju dan negara
berkembang saja tetapi sudah menjadi bagian dari masalah dunia. Polusi udara merupakan
satu masalah nyata yang mengancam lingkungan bahkan mengancam kehidupan manusia,
Hal ini ditandai oleh penurunan kualitas udara terutama di kota-kota besar dalam beberapa
tahun terakhir ini. Faktor-faktor yang menjadi sumber utama polusi udara di kota-kota
besar adalah transpotasi kendaraan bermesin, industri dengan gas buangan industri,
kepadatan penduduk, pusat pertokoan dan iklim yang meliputi kelembababan udara, suhu
udara dan kecepatan angin dan sebagainya. Faktor-faktor yang dapat mencegah atau
menghambat timbulnya polusi udara adalah adanya lahan hijau dan banyaknya pohon di
taman-taman kota (Atash, 2007) dan (Fahimi, et al., 2012). Sumber pencemar yang utama
sesuai dengan Indeks Standar Pencemar Udara (ISPU) adalah Carbon Monoksida (CO),
Particulate Matter (PM), Sulfur Dioksida (SO2) Nitrogen Dioksida (NO2) dan Ozon (O3)
(Fahimi, et al., 2012).
Penyebab dan dampak polusi udara memiliki keterkaitan dengan lokasi, artinya
antar lokasi secara spasial akan berbeda penyebab dan dampaknya. Secara demografi,
potensi terjadinya dampak dan penyebab polusi udara akan berbeda antar daerah, selain itu
dampak dan penyebab polusi udara tidak dapat menggunakan pendekatan global, karena
dengan menggunakan global ada variasi lokal yang tidak kelihatan pengaruhnya (Gilbert &
-
Chakraborty, 2011). & (Robinson & Lloyd, 2011).
Metode Geographically Weighted Regresssion (GWR) merupakan bagian dari
metode regresi tetapi metode GWR memiliki perbedaan pada adanya pembobotan pada
variabel bebas atau prediktornya, selain itu GWR digunakan untuk menganalisis
heterogenitas spasial. Heterogenitas spasial adalah suatu keadaan pengukuran hubungan
(Measurement of Relationship) di antara variabel berbeda antara lokasi yang satu dengan
lokasi yang lainnya (Mennis, 2006).
Pendekatan Model GWR memiliki kemungkinan terdapat variabel prediktor dalam
model tidak berpengaruh secara signifikan, untuk itu diperlukan model yang
mengakomodasi variabel prediktor yang berpengaruh baik secara lokal maupun secara
global. Model tersebut adalah model Mixed Geographically weighted Regression
(MGWR). Model MGWR diperkenalkan oleh (Brunsdon, et al., 1999), dengan
mengasumsikan beberapa koefisien dari model GWR adalah konstan dan beberapa
koefisien selain itu memiliki variasi berdasarkan lokasinya. Model MGWR menyatakan
variabel prediktor yang berpengaruh secara global dan variabel prediktor yang berpengaruh
secara lokal. Melalui pendekatan MGWR temporal.
Tujuan Penelitian
Ada beberapa tujuan penelitian yang ingin dicapai, sebagai berikut:
1. Membangun Model Mixed Geographically Weighted Regression (Mixed GWR)
Temporal untuk melihat pengaruh variabel prediktor terhadap ISPU secara
global dan lokal
2. Membangun peta tematik Indeks Standar Pencemar Udara (ISPU)
Tinjauan Pustaka
Indeks Standar Pencemar Udara (ISPU)
Indeks Standar Pencemar Udara (ISPU) ini merupakan nilai rata-rata dari gabungan
nilai unsur ISPU yaitu CO, PM, SO2, NO2 dan O3. Masing-masing unsur dihitung menurut
kadar tertimbang, kemudian dihitung nilai standarnya.
Perhitungan nilai ISPU sesuai keputusan Bapedal tahun 1997 memakai rumus sebagai
berikut ( )a bx b b
a b
I II X X I
X X
(2.1)
dengan notasi
I : ISPU terhitung
Ia : ISPU batas atas
Ib : ISPU batas bawah
Xa : Ambien batas atas
Xb : Ambien batas bawah
Xx : Kadar Ambien nyaata hasil pengukuran
Nilai ISPU adalah rata-rata dari nilai ISPU unsur PM, CO, NO2, SO2 dan O3
-
Dasar perhitungan ISPU tersebut terlebih dahulu harus melihat batas nilai ISPU dalam
satuan SI, seperti ditampilkan dalam Tabel 2.3 berikut ini:
Tabel 2.3. Batas nilai ISPU dalam Satuan SI
Indeks
Standar
Pencemar
Udara
24 jam PM10
ug/m3
24 Jam SO2
ug/m3
8 jam CO
ug/m3
1 jam O3
mg/m3
1 jam NO2
ug/m3
50 50 80 5 120 (2)
100 150 365 10 235 (2)
200 350 800 17 400 1130
300 420 1600 34 800 2260
400 500 2100 46 1000 3000
500 600 2620 57.5 1200 3750
Dasar perhitungan ISPU masing-masing unsur harus berdasarkan batas nilai ISPU seperti
Tabel 2.3. Contoh perhitungan untuk SO2 dengan nilai konsentrasi udara ambient 322
ug/m3, akan diubah dalam angka ISPU. Pertama memasukan nilai konsentrasi udara
ambient 322 ke dalam tabel 2.3. batas ISPU
Xx : 322 ug/m3
Ia : 100
Ib : 50
Xa :365
Xb : 80
Selanjutnya nilai-nilai parameter tersebut dimasukkan kedalam peramaan (2.1)
100 50
(322 80) 50 92.45365 80
I
Dengan demikian nilai ISPU SO2 adalah 92, diperoleh dari pembulatan nilai 92.45
Dampak dan penyebab terjadinya faktor-faktor yang terdapat di unsur ISPU
dijelaskan seperti berikut ini:
PM 10 (Partikulat Matter)
Partikulat ini merupakan zat pencemar padat maupun cair yang terdispersi di udara.
Partikulat ini dapat berupa debu, abu, jelaga, asap, uap, kabut, atau aerosol. Jenis-jenis
partikulat dibedakan berdasarkan ukurannya. Partikel yang sangat kecil dapat bergabung
satu sama lain membentuk partikel yang lebih besar.
Partikulat dalam emisi gas buang dapat terdiri atas bermacam-macam komponen.
-
Beberapa unsur kandungan partikulat adalah karbon (dari pembakaran tidak sempurna) dan
logam timbel (dari pembakaran bensin bertimbel). Sebagian partikulat keluar dari cerobong
pabrik sebagai asap hitam tebal. Tetapi, yang paling berbahaya adalah butiran-butiran halus
sehingga dapat menembus bagian terdalam paru-paru. Jika ini yang terjadi, organ
pernapasan akan terganggu. Standar baku mutu yang diperbolehkan adalah 150 ug/Nm3
SO2 (Sulfur Dioksida)
Gas sulfur dioksida ini berasal dari hasil pembakaran bahan bakar yang mengandung
sulfur. Selain dari bahan bakar, sulfur juga terkandung dalam pelumas. Gas sulfur dioksida
sukar dideteksi karena merupakan gas tidak berwarna. Sulfur dioksida dapat menyebabkan
gangguan pernapasan, pencernaan, sakit kepala, sakit dada, dan saraf. Pada kadar di bawah
batas ambang, dapat menyebabkan kematian. Korban sulfur dioksida bukan hanya
manusia, tetapi juga bangunan dan tumbuhan. Keberadaan gas ini di udara dapat
menimbulkan hujan asam yang merusakkan bahan bangunan dan menghambat
pertumbuhan tanaman. Standara baku mutu yang diperbolehkan adalah 365 ug/Nm3
CO (Karbon Monoksida)
Gas karbon monoksida ini dihasilkan dari pembakaran bahan bakar yang tidak
sempurna. Pembakaran tidak sempurna, salah satu sebabnya adalah kurangnya jumlah
oksigen. Hal ini disebabkan karena saring udara yang tersumbat, atau karena karburator
kotor dan setelannya tidak tepat. Asap kendaraan merupakan sumber utama bagi karbon
monoksida di berbagai perkotaan. Data mengungkapkan bahwa 60 persen pencemaran
udara di kota-kota besar disumbang oleh transportasi umum. Karbon monoksida bersifat
racun, mengakibatkan turunnya berat janin, meningkatkan jumlah kematian bayi, serta
menimbulkan kerusakan otak. Standar baku mutu yang diperbolehkan adalah 10.000
ug/Nm3.
O3 (Ozon)
Senyawa kimia ini tersusun atas tiga atom oksigen. Ozon merupakan gas yang sangat
beracun dan berbau sangit. Ozon terbentuk ketika percikan listrik melintas dalam oksigen.
Adanya ozon dapat dideteksi melalui bau (aroma) yang ditimbulkan oleh mesin-mesin
bertenaga listrik. Secara kimiawi, ozon lebih aktif ketimbang oksigen biasa dan juga
merupakan zat pengoksidasi yang lebih baik.
Biasanya, ozon digunakan dalam proses pemurnian (purifikasi) air, sterilisasi udara,
dan pemutihan jenis makanan tertentu. Di atmosfer, terjadinya ozon berasal dari nitrogen
oksida dan gas organik yang dihasilkan oleh emisi kendaraan maupun industri. Di samping
dapat menimbulkan kerusakan serius pada tanaman, ozon berbahaya bagi kesehatan,
terutama penyakit pernafasan seperti bronkitis maupun asma. Standar baku mutu yang
diperbolehkan adalah 235 ug/Nm3 pada pengukuran selama 1 jam
NO2 (Nitrogen Dioksida) Zat nitrogen dioksida sangat beracun sehingga dapat menyebabkan iritasi pada mata,
hidung, dan saluran pernapasan serta menimbulkan kerusakan paru-paru. Gas ini terbentuk
dari hasil pembakaran tidak sempurna. Setelah bereaksi di atmosfer, zat ini membentuk
partikel-partikel nitrat sangat halus sehingga dapat menembus bagian terdalam paru-paru.
-
Partikel-partikel nitrat ini pula, jika bergabung dengan air baik air di paru-paru atau uap air
di awan akan membentuk asam. Asam ini dapat merusakan tembok bangunan dan
menghambat pertumbuhan tanaman. Jika bereaksi dengan sisa hidrokarbon yang tidak
terbakar, akan membentuk smog atau kabut berwarna cokelat kemerahan. Standar baku
mutu yang diperbolehkan adalah 150 ug/Nm3.
Selain unsur-unsur dalam ISPU seperti dijelaskan di atas, penyebab polusi udara
dapat disebabkan oleh kondisi meteorologi di lokasi terjadinya polusi udara. Kondisi
meterologi tersebut antara lain kecepatan angin, suhu dan kelembapan udara (Holloway,
Fiore, & Hastings, 2003).
Model Mixed Geographically Weighted Regression (MGWR)
Model MGWR temporal merupakan model regresi dengan melihat pengaruh yang
signifikan secara global sekaligus yang signifikan secara spasial di tiap lokasi dan waktu.
Berikut model matematis MGWR
i ij
q
i j i i ij ij=1
y = x + (u ,v )x + (2.7)
dengan i= 1,2,3,,n, dan (ui, vi) adalah posisi dari bujur, lintang dan waktu pada titik amatan ke-i
dengan xi1=1 atau xi,q+1=1 untuk semua i, model dapat melibatkan sebuah konstanta atau
spasial untuk semua intersep
Identifikasi koefisien konstanta dalam MGWR temporal
Diberikan k (1 k p) untuk menguji koefisien k(ui,vi) untuk ke k variabel prediktor xk adalah konstanta dari GWR dengan menggunakan uji hipotesa:
H0: k(u1,v1) = k(u2,v2)== k(un,vn ) H1: untuk semua k(u1,v1, t1) (1 i n) tidak sama Pertama, spasial data untuk semua koefisien model seperti berikut:
-1T T T
i i i i i i i i i0 0 pi i i
(u ,v )=( (u ,v ),( (u ,v ),.......,( (u ,v )) = X W(u ,v )X X W(u ,v )Y
Untuk mengestimasi koefisien vector di lokasi (ui,vi). Estimasi ke n dari koefisien ke k
dari j(ui,vi) di lokasi n diberikan dalam persamaan berikut ini:
-1T T
k j j k i i i i (u ,v )=e X W(u ,v )X X W(u ,v )Y dengan j=1,2,3,,n
dengan ek vektor kolom dari dimensi p dengan elemen ke k dan 0 untuk yang lain
T
k 1 1 2 2 n nk k k =( (u ,v ), (u ,v ),..., (u ,v ))
Jika diabaikan nilai konstanta 1/n, maka sampel variansi dari k j j
(u ,v ) , j=1,2,3,,n
dapat dinyatakan T
T T
k k
1 1 V(k)= (I- J) = Y B (I- J)BYn n
Dengan nilai B adalah T T -1 T
k 1 1 1 1
T T -1 T
k 2 2 2 2
T T -1 T
k n n n n
e (X W(u ,v )X) X W(u ,v )
e (X W(u ,v )X) X W(u ,v )B=
e (X W(u ,v )X) X W(u ,v )
(2.8)
-
Dengan J adalah matrik nxn
Uji statistik dari model tersebut adalah:
T T T
k k
T T T^ ^
1 1 (I- J) Y B (I- J)BYn nF(k)= =
Y (I-L) (I-L)Y
Dengan nilai P dari F(k) adalah:
H0P(k)=P [F(k)>f(k)]
dengan f(k) adalah nilai observasi dari F(k).
Didapatkan nilai
T TT
1
T T T
2
1 B (I- J)B
M nF(k)= = (I-L) (I-L) M
Dengan
T
1
T
2
1M =B (I- J)B
n
M =(I-L) (I-L)
Estimasi dan inferensi dari model MGWR
Diberikan Matrik X sebagai berikut :
11 12 1q
21 22 2q
c
n1 n2 nq
X X ....... X
X X ....... XX =
X X ....... X
,
1,q+1 1,q+2 1p
2,q+1 2,q+2 2p
v
n,q+1 n,q+2 np
X X ....... X
X X ....... XX =
X X ....... X
1
2
n
y
yY=
y
dan
1
2
c
n
=
,
i i
q+1 i i
q+2 i i
u(u ,v )
p i i
(u ,v )
(u ,v ) =
(u ,v )
dengan i=1,2,3,...,n
Dari persamaan (2.7) diperoleh persamaan :
i ij
q p
i j i i ij ii
j=1 j=q+1
y =y - x = (u ,v )x + dengan nilai i=1,2,3,...,n
Dengan memakai teknik dari model GWR, estimasi spasial dari koefisien dari lokasi (ui,vi)
adalah :
^T
v i i i i iq+1 q+2 pi i i
(u ,v )=( (u ,v ),( (u ,v ),...,( (u ,v ))
-1
T T
v i i v v i i= X W(u ,v )X X W(u ,v )Y (2.9)
dengan
-
T
1 c c2 nY = ( y , y ,..., y ) =Y-X (2.10)
Dengan substitusi dari elemen ( , )v i i
u v ke dalam (2.7) dihasilkan p
i j i i ij j ij i
j=q+1
y - (u ,v )x = X + dengan i= 1,2,3,,n (2.11)
Karena
p
1 1 1jjj=q+1
p
2 2 2jjj=q+1v
p
n n njjj=q+1
(u ,v )x
(u ,v )xf =
(u ,v )x
T
v1 1 1v
T
v2 2 2v
T
vn n nv
x (u ,v )
x (u ,v )=
x (u ,v )
v v c c=S Y =S (Y-X ) (2.12)
Sehingga dapat dihasilkan matriks sebagai berikut:
Y Sv(Y - Xcc) = Xcc + (2.13)
Atau
(I Sv)Y = (I Sv)Xcc + (2.14)
Dengan menggunakan metode OLS (Ordinary Least Square) estimasi koefisien
konstantanya adalah:
-1T T T T
c 1 2 q c v v c c v =( , ... ) = X (I-S ) (I-S )X X (I-S )Y (2.15)
Dengan substitusi c
kedalam persamaan (2.9) akan didapatkan nilai estimasi spasial
koefisien di lokasi (ui,vi) adalah:
-1T T
v i, i v i i v v i i c c (u v )= X W(u ,v )X X W(u ,v )(Y-X ) dengan i = 1,2,3,,n (2.16)
Persamaan (2.16) disubstitusikan kedalam persamaan (2.13)
Diperoleh
v v c cf =S (Y-X ) (2.17)
Oleh karena itu nilai dari respon pada lokasi n adalah
T
1 v c2 n c Y = ( y , y .... y ) = f -X
v c c v v cc c c =S (Y-X )+X =S Y+(I-S )X = SY (2.18)
-
dengan T T -1 T T
v v c c v v c c v vS=S +(I-S )X (X (I-S ) (I-S )X ) X (I-S ) (I-S ) (2.19)
Dari persamaan (2.18) nilai bandwidth h dapat dituliskan sebagai berikut:
T
1 2 n Y(h)= ( y (h), y (h).... y (h)) =S(h)Y (2.20)
Metode pemilihan Bandwidth optimal dapat dilakukan dengan menggunakan metode
Generalized Cross Validation (GCV) sebagai berikut: 2
ni i
i=1 ii
y - y (h)GCV(h)=
1-s (h)
(2.21)
Sii(h) adalah nilai ke I elemen diagonal S(h) dan ( )iy h adalah nilai ke i dari y. pilih h0
yang diinginkan dari nilai h adalah :
0 h>0GCV(h )=min GCV(h) (2.22)
Model Mixed Geographically Temporal Weighted Regression (MGTWR)
Pengembangan temporal ini untuk menduga waktu amatan, selain lokasi amatan
yang ada. Secara matematis model MGWR dengan temporal ini adalah :
i ij
q
i j i i i ij ij=1
y = x + (u ,v ,t )x + (2.23)
Dengan i= 1,2,3.n dan (ui, vi, ti) adalah posisi bujur, lintang dan waktu pada titik amatan ke-i
Untuk mengestimasi parameter i i i
(u , , t )v maka diawali dengan melalui
penentuan jarak antar posisi (lokasi dan waktu) amatan dengan menggunakan ukuran : 2 2 2
ij i j i j i jd = (u u ) (v ) (t )v t (2.24)
Dengan merupakan parameter yang menyelaraskan perbedaan satuan lokasi dan
satuan waktu. Nilai dapat dilakukan dengan cross validation n
2
i i
i=1
CV(h)= (y - y (h))
Jarak dij digunakan dalam pembentukan matriks pembobot yang berdimensi ( nxn) sebagai
berikut :
W(ui,vi, ti) = diag (i1, i2.. in) (2.25)
Dengan n adalah banyaknya amatan sedangkan ij adalah unsure diagonal ke-j dari matriks
W yang merupakan pembobotan amatan ke-j dalam estimasi (ui, vi, ti). Nilai bobot ij
adalah merupakan penggambaran kedekatan amatan j den gan amatan i. Pembobotan ini
menggunakan fungsi pembobot jarak dari Gauss :
2
ij
ij 2
d =exp -
b
(2.26)
dengan b adalah parameter bandwidth, yang nilainya diperoleh dari metode cross
validation seperti persamaan diatas.
Metode weighted least squares (WLS) memberikan estimasi parameter i i i
(u , , t )v sebagai
berikut :
-
-1
T T
i i i i i i i i i(u ,v ,t )= X W(u ,v ,t )X X W(u ,v ,t )Y (2.27)
DAFTAR PUSTAKA
Atash, F. (2007). The deterioration of urban environments in developing countries:
Mitigating the air pollution crisis in Tehran, Iran. Elsevier , 399-409.
BAPEDAL. (1997). Indeks Standar Pencemar Udara. Jakarta: Menteri Lingkungan Hidup.
Boote, K., Jones, J., & Pickering, N. (1996). Potent Uses and Limitations of Crops Models.
Agron.J. , 704-716.
BPS. (2012). Surabaya dalam angka. surabaya: Badan Pusat Statistik.
Brunsdon, C., Fotheringham, A., Charlton,. (1999). Some Notes On parametric
Significance Tests For Geographically Weighted Regression. Journal Of Regional
Science , 497-524.
Darmawan, D. M. (2011). Sistem informasi Geografi (SIG) dan Standarisasi Pemetaan
Tematik . Jakarta: Badan Koordinasi Survei dan Pemetaan Nasional
(BAKOSURTANAL) .
Ebtekar. (2006). Air Pollution induced Asthma and Aleterations in Cytokine Pattern.
Allergy Asthma Immunol , 47-56.
Fahimi, M., Dharma, B., Fetararayani, D., Baskoro, (2012). Asosiasi antara polusi udara
dengan IgE total serum dan tes faal paru pada polisi lalul intas. Jurnal Penyakit
Dalam , 1-9.
Gilbert, A., & Chakraborty, J. (2011). Using geographically weighted regression for
environmental justice analysis: Cumulative cancer risks from air toxics in Florida.
Elsevier , 273-286.
Giordano, F., & Weir, W. (1985). A First Course in Mathematical Modelling. California:
Brooks/Cole Publ. Company.
Holloway, T., Fiore, A., & Hastings, M. G. (2003). Intercontinental Transport of Air
Pollution: Will Emerging science lead to anew hemispheric treaty? ES & T , 7-12.
Knzli, N., Perez, L., Klot, S. v., Baldassarre, D., Basagana, X., Breton, C., et al. (2011).
Investigating Air Pollution and Atherosclerosis in Humans: Concepts and Outlook.
Elsevier , 334-343.
Mei, C., He, S., & Fang, K. (2004). A Note On The Mixed Geographically Weighted
Regression Model. Journal of Regional Science , 143-157.
Mennis, J. (2006). Mapping the Results of Geographically Weighted. The Cartographic ,
171-179.
Meyer, W. (1987). Concepts of Mathematical Modelling. New York: Mc.Graw-Hill Inc.
P, B.
Purhadi, & Hasbi, Y. (2012). Mixed Geographically Weighted Regression Model (Case
Study: the Percentage of Poor Households in Mojokerto 2008). European Journal
of Scientific Research , 188-196.
Risom, L., Mlller, P., & Loft, S. (2005). Oxidative stress-induced DNA damage by
particulate air pollution. Elsevier , 119-137.
Robinson, D., & Lloyd, J. M. (2011). Increasing the accuracy of nitrogen dioxide (NO2)
pollution mapping using geographically weighted regression & Geostatistic .
Elsevier , 1-10.
Tu, J. (2011). Spatially varying relationships between land use and water quality across an
-
urbanization gradient explored by geographically weighted regression. Elsevier ,
376-392.