PEMODELAN INDEKS STANDAR PENCEMAR UDARA (ISPU)

DENGAN PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED

REGRESSION Kukuh winarso

1

Mahasiswa Pasca Sarjana Universitas airlangga Surabaya

Email : kukuhadam@yahoo.com

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.