Dari Peta Kebakaran ke Peta Kerawanan: Analisis Burn Severity dan Wildfire Susceptibility di Gunung Bromo

Kebakaran hutan di Gunung Bromo pada September–Oktober 2023 sempat jadi sorotan luas — kawasan yang biasanya jadi tujuan wisata sunrise itu berubah jadi lanskap yang dipenuhi asap dan lahan hangus. Setelah kejadian itu, pertanyaannya bukan cuma “seberapa parah kerusakannya”, tapi juga “area mana lagi yang berisiko mengalami hal serupa di masa depan”. Dua pertanyaan ini yang jadi dasar dari dua tahap analisis di project ini: pemetaan tingkat keparahan kebakaran (burn severity) menggunakan Normalized Burn Ratio (NBR), dan lanjutannya, analisis kerawanan kebakaran (wildfire susceptibility).

Tahap 1: Mengukur Seberapa Parah Kebakaran Terjadi

Apa Itu NBR

Normalized Burn Ratio (NBR) adalah indeks spektral yang dipakai untuk mengidentifikasi area terbakar dan menilai tingkat keparahan kebakaran dari citra satelit, seperti Landsat atau Sentinel. Cara kerjanya memanfaatkan perbedaan pantulan cahaya antara vegetasi sehat dan area yang sudah terbakar.

Vegetasi sehat memantulkan banyak cahaya Near-Infrared (NIR) dan menyerap sebagian besar cahaya Short-Wave Infrared (SWIR). Sebaliknya, area yang terbakar memantulkan lebih sedikit NIR (karena vegetasinya sudah rusak) dan memantulkan lebih banyak SWIR (karena tanah kering dan sisa arang yang terekspos). Perbedaan pola pantulan inilah yang ditangkap lewat formula:

NBR = (NIR − SWIR) / (NIR + SWIR)

Untuk mengukur perubahan sebelum dan sesudah kebakaran, dihitung juga selisihnya:

dNBR = NBR(Pre-Fire) − NBR(Post-Fire)

Dari Data ke Klasifikasi

Studi kasus ini menggunakan citra Sentinel-2A Copernicus dari periode Agustus–September 2023, mencakup peristiwa kebakaran di kawasan Taman Nasional Bromo Tengger Semeru. Alur kerjanya: citra Sentinel-2A diresampling terlebih dahulu, kemudian dihitung lewat raster calculator untuk menghasilkan nilai dNBR, dan diklasifikasikan ke dalam lima kelas — mulai dari Unburned, Low Severity, Moderate-Low, Moderate-High, sampai High Severity.

Composite Citra Sentinel-2A Natural Colour Agustus 2023 (Sebelum Kebakaran)

Composte Citra Sentinel-2A Natural Colour September 2023 (Setelah Kebakaran)

Hasilnya berupa peta yang langsung menunjukkan pola sebaran keparahan kebakaran di kawasan Bromo — area puncak dan kawasan tertentu di sisi utara kawasan menunjukkan tingkat keparahan yang lebih tinggi dibanding area sekitarnya.

Peta Tingkat Keparahan Kebakaran di TN Bromo Semeru Tengger Tahun 2023

Tahap 2: Dari “Sudah Terbakar” ke “Berpotensi Terbakar”

Peta burn severity itu sifatnya melihat ke belakang — menunjukkan apa yang sudah terjadi. Pertanyaan berikutnya yang lebih berguna untuk mitigasi adalah: dari pola kebakaran yang sudah terjadi ini, area mana lagi yang punya karakteristik serupa dan berpotensi mengalami kebakaran di masa depan? Ini yang coba dijawab lewat analisis wildfire susceptibility.

Data yang Digunakan

Empat sumber data digabungkan untuk analisis ini:

• dNBR — hasil dari tahap sebelumnya, sebagai representasi pola kebakaran yang sudah terjadi
• Data hotspot dari VIIRS NASA — titik panas yang terdeteksi satelit
• Slope — diturunkan dari data DEM (Digital Elevation Model)
• Tutupan lahan — dari Kementerian Lingkungan Hidup dan Kehutanan (KLHK)

Alur Analisis

Data hotspot diolah dengan Kernel Density untuk melihat kepadatan sebaran titik api. Data DEM diproses jadi peta Slope (kemiringan lereng — area yang lebih curam biasanya lebih rawan penyebaran api). Kedua hasil ini, ditambah data tutupan lahan, kemudian di-reclassify ke skala yang sama, lalu digabungkan lewat weighted overlay untuk menghasilkan peta kerawanan (susceptibility) akhir, terbagi ke empat kategori: Very Low, Low, Moderate, dan High Susceptibility.

Peta Slope di TN Bromo Semeru Tengger dengan menggunakan SRTM DEM 30 Meter

Tutupan Lahan KLHK

Peta Tingkat Kerentanan Kebakaran dengan Metode Weighted Overlay

Cross-Tabulation: Menguji Konsistensi Hasil

Untuk melihat apakah hasil klasifikasi susceptibility ini konsisten dengan pola kebakaran yang benar-benar terjadi, dilakukan cross-tabulation antara kategori susceptibility dengan tingkat burn severity aktual. Hasilnya cukup meyakinkan: sekitar 84,1% area yang dikategorikan High Susceptibility juga tercatat mengalami High Severity saat kebakaran terjadi. Angka ini jadi semacam validasi kasar bahwa model susceptibility yang dibangun punya kesesuaian yang baik dengan kejadian aktual di lapangan.

Matriks Tabulasi Silang Tingkat Keparahan Kebakaran dengan Tingkat Kerawanan Kebakaran

Batasan yang Perlu Diakui

Analisis ini secara sengaja tidak memasukkan data meteorologi (curah hujan, kecepatan angin, kelembapan relatif) — bukan karena datanya dianggap tidak penting, tapi karena ada keterbatasan yang membuatnya belum bisa diintegrasikan di tahap ini. Padahal dalam studi wildfire susceptibility, variabel meteorologi itu termasuk faktor kunci yang memengaruhi kemunculan dan penyebaran api. Tujuan dari studi ini lebih ke arah menunjukkan bahwa citra satelit saja sudah bisa memberikan gambaran yang cukup kuat untuk berbagai jenis analisis kebakaran — dengan catatan, hasilnya akan lebih lengkap kalau nanti digabung dengan data iklim/cuaca di iterasi berikutnya. Selain itu, data tutupan lahan yang digunakan merupakan data tutupan lahan tahun 2019 bukan tahun 2023 sesuai dengan kejadian kebakaran sebenarnya.

Kenapa Ini Penting

Dua tahap analisis ini — dari mengukur apa yang sudah terjadi, sampai memprediksi apa yang mungkin terjadi — menggambarkan pendekatan yang lebih proaktif dalam manajemen risiko kebakaran hutan. Alih-alih hanya mendokumentasikan kerusakan setelah kejadian, peta susceptibility ini bisa dipakai sebagai dasar untuk menentukan area prioritas pengawasan atau mitigasi sebelum kebakaran berikutnya terjadi.

Referensi

• Cao, Y., et al. (2023). Wildfire Susceptibility Assessment in Southern China: A Comparison of Multiple Methods. Remote Sensing.
• Corbea-Pérez, A., & Martínez-Fernández, J. (2021). Integrating physical drivers for wildfire hazard modelling in support of disaster risk reduction: A case study in Castile and León, Spain. Journal of Environmental Management.
• European Space Agency (ESA). (2023). Sentinel-2 MSI Level-2A Bottom of Atmosphere Reflectance [Data set]. Copernicus Open Access Hub.
• Kementerian Lingkungan Hidup dan Kehutanan (KLHK). (2023). Peta Spasial Tutupan Lahan Republik Indonesia [Data set]. Direktorat Jenderal Planologi Kehutanan dan Tata Lingkungan, RI.
• Key, C. H., & Benson, N. C. (2006). The Normalized Burn Ratio (NBR) and Landscape Assessment: The Measure of Sampling (FIREMON). USDA Forest Service General Technical Report.
• Mohajane, M., et al. (2018). Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area. Remote Sensing Applications: Society and Environment.
• NASA FIRMS. (2023). VIIRS Active Fire Products / Hotspot Data [Data set]. Earth Observing System Data and Information System (EOSDIS), NASA.
• NASA JPL. (2020). NASA Shuttle Radar Topography Mission (SRTM) Global 1 arc-second [Data set]. NASA EOSDIS Land Processes DAAC.
• Rothermel, R. C. (1972). A Mathematical Model for Predicting Fire Spread in Wildland Fuels. USDA Forest Service Research Paper INT-115.
• USGS (U.S. Geological Survey). Burn Severity Classification Standard.

Tools yang dipakai: Sentinel-2A imagery, DEM SRTM, data hotspot VIIRS NASA, data tutupan lahan KLHK, QGIS/ArcGIS untuk analisis spasial (kernel density, slope, reclassify, weighted overlay).