Understanding Myself through Big Five Test

One key turn-around point that I had in my self-development was to understand who I am. I was able to get a depiction of my own personality through the understandmyself.com website.

UnderstandMyself.com is based on the Big Five personality traits, consisting of extraversion, agreeableness, conscientiousness, neuroticism, and openness. Sometimes the acronym OCEAN (openness, conscientiousness, extraversion, agreeableness, and neuroticism) is used.


People who are high in this trait tend to be more adventurous and creative, while those who are low in this trait tend to struggle with abstract thinking.

I find myself ranked higher than the average person in this trait. I believe that I am able to let my mind wander and try to formulate different ideas, seeing a new way to find solutions that others may have missed. This may lead me to be less well adapted to situations that are routinized and predictable.

Openness to experience is made up of the aspects from intellect and openness. I am ranked at the 78th percentile in Intellect, making me enjoy exploring novel ideas, working on issue-oriented discussions, enjoy reading and discuss idea-centered books. I like learning new things and finding new vocabulary to use to generate and explain novel, creative concepts and adapt to new experiences.

I am also typically open, I enjoy an outlet for my creativity, appreciate music and like to sing and make music for myself, but still can live without it.


I am moderately low in conscientiousness, which is a trait that I must admit is hard for me to work on. I am not particularly dutiful, although I am also not a sloth per se. I can work hard when pushed, but sometimes find myself distracted, indecisive, and do not mind procrastinating.

Although, this trait may be responded by other people negatively for my tendency to slack off, I do find myself not judgmental to myself or others. I find myself attributing my success to chance and luck factors instead of my hard work. I’m trying my best to overcome this disadvantages and work my way to be more conscientiousness, through harnessing my sense of purpose to allow me to get my act together while trying to improve myself.

Industriousness one of the aspect of conscientiousness, this trait is also one of my impeding factor, with low industriousness, I was always an underachiever. I put off a lot of responsibilities, that’s why I’m not judgmental of other people, including myself.

I am typical in orderliness, I do enjoy seeing everything in a good order, but I am not overtly oriented toward details, rigidly abiding rules and judgmental towards others. I am not the right person to manage complex, sensitive processes, but when supervised properly I can manage to maintain focus and proper attention.


I am low in Extraversion or high in Introversion, I am less enthusiastic, talkative, and assertive in social situations, socially awkward at times. I find constant social contact very draining and tiring and will always crave time alone to recharge. This trait make me more likely to be depressed and have lower level of self esteems.

I keep everything to myself and will always struggle to persuade, make the sale, or work in huge groups. I am low in enthusiasm, I do not really get excited about a lot of things and do not speak my mind, unless it is of interest to me. I am also very low in assertiveness, I never dominate and control social situations, I put my own opinion with reservation and do not speak my mind. This is a huge handicap for me, when I speak up about issues that I am knowledgeable, competent, and able.


I am typical in agreeableness. I am somewhat cooperative, warm and considerate. I look for the best in others and reasonably interpersonally tolerant. With average level of agreeableness, I am somewhat forgiving, accepting, flexible, gentle, and patient. I sometimes feel pity for those who are excluded, punished, or defeated, but not enough to be easily taken advantage by disagreeable people or those with predatory intent. However, sometimes with high neuroticism, this may make me suffer from resentment or to harbor invisible anger.


I am moderately high in neuroticism. This makes me more sensitive towards negative emotions, such as pain, sadness, irritable, or defensive anger, fear, and anxiety. With everything going wrong in the past, I feel that everything will go wrong now, and also in the future. I am anxious and irritable when thinking of a genuine problem I remember. I am risk-averse and with my very high withdrawal trait (91st percentile), I am more prone to feel sad, lonesome, disappointed, and grief-stricken. I have high levels of doubt, worry continuously, and become embarassed easily, and too self conscious and will be discouraged rapidly in the face of threat and punishment.

Knowing Myself, What Next?

I was discouraged when I first saw my result, I worry if I would ever find myself be in a position that can be useful to myself, my immediate family and society. I began to wonder if I am misusing the talents that I have received from the Almighty. Once I begin to accept myself as who I am, with the positive side and negative side, I was able to formulate a way forward. Self-help books did help in my self development, I think all of this is necessary to maintain a good mental health.

Data Tide Gauge IDSL dari Joint Research Center Uni Eropa

Pada tanggal 22 Desember 2018, 13:56 UTC, terjadi gelombang Tsunami yang disebabkan oleh Gunung Anak Krakatau yang diduga karena letusan gunung berapi tersebut. Saat bencana ini terjadi, sistem peringatan dini tsunami Indonesia (InaTEWS) tidak memiliki mekanisme untuk menjalankan perhitungan prediksi tinggi muka air dari letusan gunung berapi. Untuk memperkuat peringatan dini, pemerintah Indonesia menerapkan sistem peringatan yang mampu memberikan informasi terkini dari perubahan ketinggian muka air laut yang dapat menunjukkan gelombang Tsunami akibat letusan gunung berapi, agar dapat diberikan peringatan dini.

Gambar 1. Sensor Tinggi Muka Air yang terpasang di Pulau Sebesi (IDSL-301)
Sumber: TAD – IDSL-301 (europa.eu)

Joint Research Center Uni Eropa bersama dengan Kementerian Kelautan dan Perikanan (KKP), dan Badan Meteorologi Klimatologi dan Geofisika (BMKG) mengembangkan sistem peringatan baru. Sistem ini mengadopsi instrumen pengukuran Tsunami secara real-time yaitu Inexpensive Device for Sea Level Monitoring (IDSL) yang dikembangkan oleh JRC untuk memberikan data tinggi muka air laut secara 24/7 dan memberikan peringatan kemungkinan terjadinya Tsunami. Perangkat IDSL hibah dari JRC ini dimiliki oleh KKP dan datanya dapat diakses melalui TAD – Home (europa.eu)

Saat mengembangkan RECTO Tsunami, data ini juga dipakai untuk melengkapi data tide gauge (InaTides) yang dimiliki oleh Indonesia yang dikelola oleh Badan Informasi Geospasial (BIG). Salah satu hasil dari pengembangan dashboard Tsunami tersebut adalah library pengambilan data dari TAD Server JRC dalam bahasa pemrograman Python. Instalasi dapat dilakukan dengan pip, seperti berikut ini:

$ pip install idsl-gauge

Informasi lebih lanjut dan contoh Jupyter Notebook penggunaan library dapat dilihat di link GitHub di bawah ini:



  1. JRC Publications Repository – Anak Krakatau volcano emergency tsunami early warning system (europa.eu)

Data Gempa Realtime USGS

ANSS Comprehensive Earthquake Catalog (ComCat) adalah katalog gempa bumi yang menunjukkan sumber gempa dan produk-produk tambahan lainnya dari jaringan seismik USGS.

USGS juga menyediakan GeoJSON Summary Feed yang diperbaharui setiap 1 menit. GeoJSON adalah format untuk struktur data geografis, dapat merepresentasikan sebuah Geometry, Feature, atau FeatureCollection. GeoJSON dibuat berdasarkan standar JSON.

Gambar 1. RECTO Tsunami tsunami-data | Indonesian National Oceanography Data Center (nodc.id)

Saat mengembangkan RECTO Tsunami menggunakan Python, InfluxDB, dan Grafana, saya mengembangkan script sederhana untuk mengunduh data dari USGS. Program ini sekarang sudah saya simpan di PyPI dengan link: https://pypi.org/project/usgs-quake/. Melalui script ini, RECTO Tsunami dapat mengambil data termutakhir dari feed GeoJSON USGS dan menampilkannya ke sebuah dashboard Grafana. Instalasi modul ini dapat dilakukan dengan PIP:

$ pip install usgs-quake

Setelah berhasil instalasi usgs-quake, Anda dapat menggunakan Jupyter Notebook untuk memulai mendapatkan data gempa dalam bentuk pandas.DataFrame seperti contoh di bawah ini.

from usgs_quake import USGSEarthquake
import datetime

# Indonesian boundaries
min_lat = -15
max_lat = 15
min_lon = 90
max_lon = 150

min_mag = 6

# Initializing module with boundaries and minimum magnitude
quakes = USGSEarthquake(min_lat, max_lat, min_lon, max_lon, min_mag)

# Historical Data Query
start = datetime.datetime(1970, 1, 1)
end = datetime.datetime.utcnow()

# Begin querying the ANSS ComCat and get the number of events
count = quakes.get_historical_data(start, end)
df_historical = quakes.get_simplified_dataframe()

# Realtime Data Query
level = 'significant'
period = 'month'

# Query significant earthquakes from the past month
quakes.get_realtime_data(level = level, period = period)
df_realtime = quakes.get_simplified_dataframe()

Semoga artikel singkat ini bermanfaat bagi yang membutuhkan data gempa real-time dari USGS maupun data historis yang tersedia di ComCat.


  1. API Documentation – Earthquake Catalog (usgs.gov)
  2. GeoJSON Summary Format (usgs.gov)

Kembali ke Normal? Visualisasi Data Sentinel-5P dari Google Earth Engine

European Space Agency (ESA) beberapa kali telah mengeluarkan peta sebaran konsentrasi gas nitrogen dioksida dan mengorelasikannya dengan aktivitas manusia. Melalui karantina ketat, terlihat dari luar angkasa bahwa emisi gas nitrogen dioksida di suatu wilayah turun dengan signifikan. ESA mengeluarkan gambar yang menunjukkan kurangnya polusi udara sekitar Eropa dan China pada tahu 2020. Menurut peneliti dari KNMI (Royal Netherlands Meteorological Institute), data harian konsentrasi nitrogen dioksida dapat berubah-ubah karena dampak cuaca, namun jika dirata-rata dalam periode waktu tertentu, dampak cuaca ini bisa dihilangkan dan kita dapat melihat efek aktivitas manusia terhadap konsentrasi nitrogen.

Nitrogen dioxide concentrations over France
Konsentrasi Nitrogen Dioksida di Prancis

Indonesia sedang mengalami kenaikan kasus COVID-19, dari data Jakarta kita mendapatkan bahwa ada kenaikan yang tajam dari bulan Mei 2021. Data ini dapat diakses di Covid-19 (jakarta.go.id).

Kenaikan Kasus COVID-19 di bulan Mei 2021

Sentinel-5P sebagai satelit terbaik yang dapat memantau konsentrasi nitrogen dioksida berskala global. Kali ini saya coba melakukan visualisasi data bulan Mei 2019, 2020, dan 2021 untuk melihat tren aktivitas manusia berdasarkan data nitrogen dioksida. Terlihat bahwa data nitrogen sudah kembali ke level sebelum pandemi. Aktivitas publik sepertinya sudah kembali ke normal.

Lalu, apa yang bisa dilakukan oleh pemegang kebijakan, apakah membatasi sementara aktivitas dan kembali menerapkan Work From Home bagi industri yang masih sanggup untuk dilakukan dari rumah? Pertanyaan ini mungkin bisa dijawab oleh pemerintah.

Sentinel-5P Hub dan Google Earth Engine

Misi satelit Sentinel-5 Precursor, juga dikenal sebagai Sentinel-5P, adalah misi Copernicus pertama yang didedikasikan untuk melakukan pemantauan atmosfer secara global. Satelit ini membawa instrumen TROPOMI (Tropospheric Monitoring Instrument). Instrumen ini dapat memberikan informasi tentang gas nitrogen dioksida (NO2), ozone (O3), formaledehida, sulfur dioksida (SO2), metana (CH4), karbon monoksida (CO), dan aerosol. Polutan gas ini berbahaya bagi kesehatan manusia ataupun berdampak terhadap perubahan iklim.

Instrumen TROPOMI pada misi Sentinel-5P merupakan instrumen paling akurat untuk mengukur polusi udara dari angkasa, melalui kebijakan data terbuka, masyarakat global dapat ikut menggunakan data ini untuk keperluan kebijakan publik tentang perubahan iklim maupun untuk kesehatan masyarakat, serta berbagai aplikasi lainnya.

Kebijakan Data Terbuka

Data terbuka dari Sentinel-5P dapat diakses di SentinelHub, yang dapat diakses dengan link: https://s5phub.copernicus.eu/dhus/#/home. Untuk dapat mengunduh dan melakukan query, perlu login dengan username ‘s5pguest’ dan password ‘s5pguest’. Query dapat dilakukan dengan GUI yang ada di web SentinelHub tersebut. Untuk eksplorasi singkat, GUI ini dapat dipakai untuk mengunduh secara langsung data Sentinel dalam format netCDF.

Google Earth Engine juga memiliki katalog data Sentinel-5P dalam bentuk grid (L3), untuk katalog Near Real-time (NRTI) dan Offline (OFFL), hasil pengolahan dengan harpconvert dari data L2 masing-masing gas hasil olahan data Sentinel-5P yang tersedia di S5PHub. Menggunakan GEE dengan Python API dapat dilakukan pemrosesan dan visualisasi data polutan gas terhadap waktu.

Catatan instalasi dan penggunaan Google Earth Engine API dan Sentinel-5P Hub API untuk mengambil data Sentinel-5P dalam bentuk ee.Image.

Sentinel-5P Hub API dengan Earth Engine API | Josef Matondang (stevenmtd.xyz)

Nitrogen dioxide concentrations over China
Gambar. Kadar nitrogen dioksida sebelum pandemi, saat pandemi, dan setelah pandemi
Sumber: ESA – Air pollution returning to pre-COVID levels

Artikel selanjutnya, saya akan mencoba membuat visualisasi polutan gas nitrogen dioksida di atas pulau Jawa sebelum pandemi, saat pandemi, setelah pandemi.

GeoTIFF and Cloud Optimized GeoTIFF for Dummies

Another article in my “For Dummies” series, without a background in geospatial data and geosciences, this is how I try to make sense of the available geospatial data formats.

GeoTIFF File Format

GeoTIFF is based on the TIFF format and is used as an interchange format for georeferenced raster imagery. The Open Geospatial Consortium (OGC) published version 1.1 of the OGC GeoTIFF Standard in September, 2019.

GeoTIFF file format is in widespread use worldwide and there are strong software support in the form of open source library: libgeotiff and Geospatial Data Abstraction Library (GDAL) package. Specifically the Earth science cloud computing community has developed a means of optimizing GeoTIFF files for use in cloud computing workflows. Cloud Optimized GeoTIFF (COG) files adhere to the GeoTIFF specification so all prior software and workflows can still be used with the COG files.

GeoTIFF format is not suitable for every data type, it is widely used as a distribution format for satellite and aerial photography imagery. GeoTIFF is not suitable for storing complex multi-dimensional data structures nor for storing vector data with many attributes. For these multi-dimensional data, netCDF is widely used within the geospatial data science community and working groups.

Working with Cloud Optimized GeoTIFF in Earth Engine

Earth Engine can load images from Cloud Optimized GeoTIFF (COG) stored in Google Cloud Storage. An example of readily available COG dataset in Google Cloud Storage is the public Landsat dataset. By using Google Cloud Storage, we can store any ee.Image from any Earth Engine operation, but also load COG data hosted on a GCS bucket. In order to utilize this feature, users need to have access to both Google Earth Engine and Google Cloud Platform to create new project and create a Google Cloud Storage within the project to be accessed by the Google user / Service Account.

COG data from external source can also be loaded by Google Earth Engine. As an example, with Python, rio-cogeo library can be used to convert a traditional GeoTIFF to a Cloud Optimized GeoTIFF format, once done, this file can be uploaded to Google Cloud Storage bucket for further analyses in the Google Earth Engine.


  1. GeoTIFF | Earthdata (nasa.gov)
  2. Cloud Optimized GeoTIFF (cogeo.org)
  3. Cloud GeoTiff Backed Earth Engine Assets  |  Google Earth Engine

netCDF for Dummies

I have been working at Nusantara Earth Observation Network for a while, but only exposed to geospatial data recently. Without a formal education on geosciences or geospatial data, I often find myself fumbling for information. One of the most prevalent data format that I come across is netCDF. This article is written as an attempt to rewrite information about netCDF available in the internet from various source.

Network Common Data Form

Network Common Data Form (netCDF) is a file format for storing multidimensional scientific data (variables). Each netCDF file is made up of three basic components: dimensions, variables, and attributes.

A netCDF dimension is used to specify the shape of one or more of the variables, it can be used to represent time, latitude, longitude, or atmospheric level/ocean depth.

A netCDF variable is an array of values on the same type, each variable has a name, data type, and a shape described by a list of dimensions. Scalar variables have empty list of dimensions. A netCDF variable may also have an associated list of attributes to represent information about the variable, such as a units string, valid range of values, special value for missing data, and a long descriptive name.

A netCDF attribute provides auxiliary information about the variables or the dataset itself. With all three components, netCDF is a self-describing file, containing all information describing the data it contains. NetCDF data is machine-independent, by using the eXternal Data Representation (XDR), to represent array of bytes, 16-bit short integers, 32-bit long integers, IEEE-standard 32 and 64 bit floating point numbers. By using this XDR, programs will always deal with integer and floating-point data in the native form of the machine on which they run.

Since netCDF is a self-describing data that is also machine-independent, numerous scientific groups use netCDF to share their data. NetCDF can be accessed by programming interfaces in C, C++, Java, Fortran, Python, IDLL, MATLAB, R, Ruby, and Perl.

Processing NetCDF in Python with Xarray

Xarray expands on the capabilities of NumPy ndarray (N-dimensional array) by addling labels in the form of dimensions, coordinates and attributes on top of NumPy-like arrays. Xarray’s interface is based on the netCDF data model, but it goes beyond the traditional netCDF interfaces. Xarray is designed to be domain agnostic, providing multi-dimensional arrays manipulation for all sorts of applications.

Xarray is tailored to work with netCDF files, which were the source of xarray’s data model, and integrates tightly with dask for parallel computing for large datasets. Xarray has two core data structures, DataArray, which is similar to a pandas.Series for N-dimensional array, and Dataset which is similar to a pandas.DataFrame for a dict-like container of multiple N-dimensional arrays.

Xarray is built on other existing Python libraries, such as NumPy/Pandas for fast arrays/indexing, Dask for parallel computing, matplotlib for plotting.

Anaconda Environment for NetCDF Processing

To begin working with netCDF files on Python, create a new environment, so that your existing environment will be in tact.

$ conda create -n netcdf python=3.9
$ conda activate netcdf

Then, we can install from conda-forge channel, the packages we need and a JupyterLab ecosystem to sandbox and work with netCDF data. In this case, rioxarray module is also installed so that netCDF files can be exported as GeoTIFF.

$ conda install -c conda-forge xarray[complete] dask bottleneck
$ conda install -c conda-forge rioxarray
$ conda install -c conda-forge jupyterlab
$ jupyter-lab

NetCDF to Raster

By using rioxarray (rasterio and xarray), we can convert a netCDF file to a raster file (GeoTIFF). An example of how to export netCDF DataArray as a GeoTIFF is as follows:

import xarray as xr
import rioxarray as rxr

fname = 'L3m_20210101-20210108__242278547_4_AV-OLA_ZSD_8D_00.nc'

ds = xr.open_dataset(fname)
ds.rio.set_spatial_dims('lon', 'lat')
Figure 1. Raster data exported from NetCDF, visualized on QGIS


  1. xarray: N-D labeled arrays and datasets in Python (pydata.org)
  2. Unidata | NetCDF (ucar.edu)
  3. NetCDF: an interface for scientific data access | IEEE Journals & Magazine | IEEE Xplore

Publikasi Peta dengan GEEMap dan CartoEE

Setelah berhasil menggunakan Google Earth Engine dan Python API, data hasil olahan Anda mungkin ingin ditampilkan di suatu peta untuk dipublikasikan dalam suatu konferensi atau sebagai artikel jurnal. Melalui modul cartoee (cartoee.py) buatan Kel Markert, dan modul geemap (https://geemap.org) buatan Qiusheng Wu, hal ini dapat dilaksanakan dengan bantuan Jupyter Notebook dengan bahasa pemrograman Python.

Format pembuatan gambar ini, layaknya membuat plot dengan library matplotlib.pyplot pada umumnya. Sebelum membuat gambar, pastikan objek Image / Feature yang ingin Anda pasang, untuk contoh kasus kali ini saya menggunakan data cuaca di Sumatera Selatan tanggal 1 Juni 2021. Fungsi yang saya pakai untuk membuat plot tersebut adalah sebagai berikut:

def show_plot(image, vis, bbox, title):
    # Create 10 x 12 figure (W x H)
    fig = plt.figure(figsize=(12, 10))
    # Create colormap
    cmap = matplotlib.colors.LinearSegmentedColormap.from_list("",\

    # Create a map with First Administrative Layer from FAO2015
    gaul = ee.FeatureCollection('FAO/GAUL/2015/level1')
    ax = cartoee.get_map(gaul, region = bbox)

    # Add ee.Image data layer
    cartoee.add_layer(ax, image, cmap = cmap, 
        region = bbox, vis_params = vis)

    # Add custom sized colorbar label
    cax = ax.figure.add_axes([0.925,0.15,0.02,0.7])
    cartoee.add_colorbar(ax = ax, cax = cax,\
        vis_params = vis, cmap=cmap)
    # Add gridlines to the map
    cartoee.add_gridlines(ax, interval=[0.5,0.5], linestyle="--")

    # Add a title
    ax.set_title(label = title, fontsize=18)
    # Show the figure

show_plot(temp, temp_vis_params, bbox, temp_title)

Setelah menggunakan fungsi di atas, akan keluar sebuah gambar di Jupyter Notebook yang dapat diklik kanan dan di simpan sebagai file. Contoh gambarnya dapat dilihat di bawah ini. Menggunakan data raster temperatur, data vektor batas administrasi, kita dapat menunjukkan gambar sederhana yang dapat merepresentasikan sebaran temperatur di sekitar provinsi Sumatera Selatan pada siang hari.

Gambar 1. Temperatur atmosfer di Sumatera Selatan pada tanggal 1 Juni 2021 pukul 12 siang.

Berikut artikel singkat yang membahas pembuatan gambar peta yang terlihat profesional untuk keperluan publikasi ilmiah, untuk contoh-contoh lainnya dan fitur-fitur tambahan yang disediakan geemap dan cartoee, silakan buka web dokumentasi yang telah disediakan.

Bahan Rujukan:

  1. https://geemap.org/
  2. https://cartoee.readthedocs.io/

Kalibrasi Fine Fuel Moisture Code dengan MODIS dan ECMWF

Sebagai salah satu bagian dari Fire Weather Index (FWI), kode kelembaban dari serasah, atau Fine Fuel Moisture Code (FFMC). Kode ini menunjukkan kemudahan api untuk mulai menyala. Untuk kondisi di Indonesia, FFMC dapat merepresentasikan resiko atau potensi terjadinya api karena kondisi cuaca. Nilai FFMC sangat tergantung terhadap biomassa yang paling umum ditemukan di suatu lokasi. Salah satu cara untuk mengalibrasi kode kelembaban bahan bakar ini adalah dengan melihat kajian historis kejadian kebakaran dibandingkan dengan nilai FFMC pada hari itu.

Kalibrasi dari nilai FFMC yang dilakukan oleh Dymond et al (2005), menggunakan data cuaca dari National Climatic Data Center NOAA untuk tahun 1994 sampai 2001. Akibat keterbatasan data yang tersedia, indeks yang dipakai menggunakan observasi dari nilai mean pada setiap hari, alih-alih dari data pada jam 12 siang hari. Curah hujan selama 24 jam yang dipakai untuk penghitungan indeks, menggunakan data pada 00 UTC, atau jam 7 WIB. Data hotspot yang digunakan berasal dari World Along Track Scanning Radiometer (ATSR).

NASA melalui satelit MODIS memberikan informasi kebakaran melalui Fire Information for Resource Management System (FIRMS). Titik panas yang dideteksi dari luar angkasa ini dapat dipakai untuk melihat data historis titik-titik panas yang disediakan oleh NASA dalam bentuk CSV. Nilai FFMC harian dari tahun 1979 sampai sekarang juga disediakan oleh ECMWF, melalui model ERA5. Melalui dua data ini, bisa dilakukan kembali kalibrasi berdasarkan data-data terkini.

Menggunakan pandas, data CSV hotspot tersebut bisa dipilih berdasarkan tipe kebakaran lahan (vegetation fire) dan dipilih dengan tingkat kepercayaan yang tinggi. Menggunakan xarray, kita dapat mengambil nilai FFMC hasil model dengan resolusi 0.25 x 0.25 derajat, nilai terdekat yang dipilih. Dari penggabungan kedua dataset ini, kita dapat melihat nilai FFMC di hari-hari terjadinya titik panas. Melalui data terbuka dari satelit MODIS dan data ECMWF ini, kalibrasi dapat dilakukan secara regional untuk masing-masing provinsi berdasarkan data historisnya.

Kalibrasi Fire Weather Index di Indonesia

Lahan gambut memiliki kemampuan untuk menyimpan banyak karbon, di Indonesia. Lahan gambut tropis sangat berpengaruh terhadap kadar karbon di atmosfer global, ketika terjadi kebakaran hutan, dampaknya sangat buruk terhadap emisi karbon dioksida dan kabut yang dihasilkan dapat mengganggu kesehatan masyarakat. Kebakaran hutan di lahan gambut jarang terjadi secara alami, namun pada kondisi gambut yang kering, mudah terjadi kebakaran. Kabut asap di Indonesia sering sekali terjadi dengan siklus El Nino, kurangnya curah hujan memperburuk musim kemarau pada bulan Mei – September.

Sistem peringkat bahaya kebakaran dapat memberikan informasi pencegahan kebakaran, mobilisasi dan aktivitas pemadaman. Kebakaran hutan dan kabut asap yang terjadi pada tahun 1997-98 menyebabkan perlunya ada peringatan dini melalui adanya sistem peringkat bahaya kebakaran (FDRS). FDRS dapat memberikan informasi dini untuk aktivitas manajemen kebakaran untuk mengurangi perluasan api dan mengurangi dampak kebakaran hutan. Pemerintah Indonesia melalui Badan Pengkajian dan Penerapan Teknologi (BPPT) dengan Canadian Forest Fire Service mengembangkan Fire Danger Rating System (FDRS) yang sekarang sudah operasional di Badan Meteorologi Klimatologi dan Geofisika (BMKG).

Sistem Peringkat Kebakaran Hutan atau Indonesian Fire Danger Rating System menggunakan indeks yang disediakan oleh Canadian Forest Fire Weather Index System (CFFWIS), melalui tiga kode yang menunjukkan kadar kelembaban bahan bakar dan tiga indeks yang menunjukkan sifat api relatif. Untuk menyesuaikan dengan iklim, ketersediaan bahan bakar, dan jenis kebakaran di Indonesia, kalibrasi CFFWIS dilakukan agar representatif dengan kondisi cuaca Indonesia.

Permulaan kejadian kebakaran di suatu waktu sangat terpengaruh oleh kekeringan bahan bakar dan adanya sumber nyala api. Kekeringan relatif dari sampah-sampah berukuran kecil pada sistem CFFWIS didefinisikan sebagai Fine Fuel Moisture Code (FFMC). FFMC dapat digunakan sebagai indikator kemudahan nyala api, kalibrasi FFMC di Indonesia dilakukan melalui pendekatan langsung dan tak langsung, yaitu menggunakan uji pembakaran pada kondisi cuaca yang berbeda dan kajian historis terhadap kejadian kebakaran hutan.

Kabut asap seringkali disebabkan oleh kebakaran lahan gambut. Kebakaran lahan gambut diperkirakan menghasilkan 94% dari keseluruhan emisi PM10 pada saat bencana kabut asap 1997. Kekeringan pada lapisan organik dalam seperti gambut dapat mengindikasikan potensi kebakaran lahan gambut. Pada sistem CFFWIS, Drought Code (DC) dapat dipakai sebagai indikator kekeringan lahan gambut sehingga menjadi indikator potensi terjadinya emisi skala besar. Kalibrasi dari DC dilakukan dengan membandingkan data visibilitas di bandar udara dengan nilai DC.

Komponen Fire Weather Index (FWI) pada CFFWIS dikalibrasikan berdasarkan beban kebakaran. Beban kebakaran didefinisikan sebagai jumlah dan kekuatan dari semua api yang membutuhkan aksi pemadaman pada suatu waktu di area tertentu. Untuk kasus kebakaran akibat rerumputan, Initial Spread Index (ISI) dapat digunakan sebagai estimasi intensitas kebakaran. Komponen ISI pada CFFWIS dikalibrasikan berdasarkan kesulitan pengendalian kebakaran lahan rumput menggunakan Fire Behaviour Prediction dan parameter bahan bakar standar untuk daerah Asia Tenggara.

Duff Moisture Code (DMC) dan Drought Code (DC) juga dikalibrasi untuk daerah khatulistiwa dengan mengatur waktu siang hari (dalam jam) dan faktor pengeringan yang dipakai pada persamaan DMC dan DC. Hasil kalibrasi dari Indonesian Fire Danger Rating System sekarang dipakai untuk komputasi operasional oleh BMKG menggunakan data-data dari jaringan stasiun cuaca BMKG.

Rendah< 72< 4< 140< 6< 1< 1
Sedang73 – 775 – 14140 – 2607 – 192 – 31 – 6
Tinggi78 – 8215 – 29260 – 35020 – 334 – 56 – 13
Ekstrim> 82> 29> 350> 33> 5> 13
Tabel 1. Hasil kalibrasi Indonesian Fire Weather Index


  1. de Groot, W.J., R.D. Field, M.A. Brady, O. Roswintiarti, and M. Mohamad. Development of the Indonesian and Malaysian Fire Danger Rating Systems. Mitigation and Adaptation Strategies for Global Change, 12, 165-180, 2007. [PDF]
  2. Dymond, C.C., R.D. Field, O. Roswintiarti, and Guswanto. Calibrating components of a fire management system using satellite fire detection. Environmental Management, 35, 426-440, 2005. [PDF]
  3. Sistem Peringatan Kebakaran Hutan dan Lahan | BMKG