Ringkasan Formulasi Indeks Emisi Gas Rumah Kaca dan Strategi Menuju Net Zero Emission Kabupaten/Kota di Pulau Jawa

Latar Belakang dan Tujuan

  • Net zero emission merupakan salah satu visi Indonesia dalam RPJPN 2025-2045 untuk mencegah pemanasan global akibat peningkatan konsentrasi gas rumah kaca.
  • Pada tahun 2023, 5 dari 6 provinsi di Pulau Jawa memiliki Indeks Kualitas Udara (IKU) terendah, menandakan masalah gas rumah kaca di Pulau Jawa.
  • Tujuan penelitian: membentuk indeks emisi gas rumah kaca dengan indikator pembentuk yang lebih kompleks melalui analisis faktor, kemudian mengaitkannya dengan indikator sosial-ekonomi menggunakan analisis regresi linear.
  • Data yang digunakan adalah data kabupaten/kota di Pulau Jawa tahun 2023 bersumber dari citra satelit Sentinel-5P, MERRA-2, dan data resmi BPS.
  • Hasil utama:
    • Terdapat 15 kabupaten/kota dengan emisi tinggi, 66 kabupaten/kota emisi sedang, dan 38 kabupaten/kota emisi rendah.
    • Pengeluaran per kapita (ppk), kepadatan penduduk (kp), dan share sektor industri (ind) dapat meningkatkan emisi gas rumah kaca; sedangkan rata-rata lama sekolah (rls) dapat menurunkan emisi.
  • Kata kunci: net zero emission, gas rumah kaca, indeks, regresi linear.

Data dan Sumber Data

  • Data sekunder tahun 2023 untuk seluruh kabupaten/kota di Pulau Jawa.
  • Emisi gas rumah kaca menggunakan:
    • Sentinel-5P untuk CH4, CO, HCHO (pendekatan NMVOC melalui HCHO), NO2, O3.
    • SO2 berasal dari data MERRA-2 milik GMAO NASA.
    • Data diolah menjadi rata-rata tahunan per kabupaten/kota tahun 2023.
  • Indikator sosial-ekonomi: pengeluaran per kapita (ppk), share sektor industri (ind), kepadatan penduduk (kp), rata-rata lama sekolah (rls); bersumber dari BPS.
  • Latar belakang sumber data menekankan bahwa IKU tidak cukup menangkap semua emisi (hanya NO2 dan SO2), sehingga diperlukan ukuran baru yang lebih komprehensif.

Metodologi

  • Desain umum: membentuk indeks emisi gas rumah kaca menggunakan analisis faktor, lalu mengaitkannya dengan indikator sosial-ekonomi melalui regresi.
  • Langkah-langkah utama (berdasar pada OECD dengan adaptasi): 1) Menyusun kerangka teori dan indikator pembentuk indeks.
    • Dasar emisi menurut IPCC (2007): CO2, CH4, N2O, gas-halogen, O3, serta prekursor O3 seperti CO, NMVOC, NO2, SO2. Namun, CO2, N2O, dan gas-halogen tidak dimasukkan karena keterbatasan data; NMVOC didekati melalui HCHO.
      2) Standarisasi variabel menggunakan transformasi min–max untuk menyamakan satuan variabel:
      z<em>i=x</em>i−extmin(x)extmax(x)+extmin(x)z<em>i = \frac{x</em>i - ext{min}(\boldsymbol{x})}{ ext{max}(\boldsymbol{x}) + ext{min}(\boldsymbol{x})}
      di mana $zi$ adalah nilai variabel hasil transformasi amatan ke-i, $xi$ nilai variabel sebelum transformasi, dan $oldsymbol{x}$ adalah himpunan variabel pembentuk.
      3) Analisis faktor
    • Pemeriksaan matriks korelasi: uji Bartlett’s test of Sphericity dan Kaiser-Meyer-Olkin (KMO).
    • Indikator dianggap layak jika Bartlett signifikan dan KMO > 0,5 dengan masing-masing indikator memiliki Measure of Sampling Adequacy (MSA) > 0,5.
    • Jika tidak terpenuhi, diperlukan spesifikasi ulang atau reduksi indikator.
    • Ekstraksi faktor: bertujuan menyederhanakan n indikator menjadi m faktor (m ≤ n) dengan mengurangi kehilangan informasi; berdasarkan kriteria Kaiser (nilai eigen > 1). Faktor-faktor yang terbentuk sebaiknya menjelaskan >= 60% variasi data.
    • Rotasi faktor: jika lebih dari satu faktor terbentuk, lakukan rotasi (umum: Varimax) untuk mengurangi tumpang-tindih dan memudahkan interpretasi.
      4) Estimasi skor
    • Skor faktor diestimasi dengan metode regresi untuk tiap amatan (kabupaten/kota), kemudian distandarkan lagi dengan transformasi min–max ke rentang 0–1.
      5) Pembobotan, agregasi, dan pembentukan indeks
    • Karena faktor tidak memiliki kontribusi yang sama, bobot diberikan berdasarkan proporsi varians yang dijelaskan masing-masing faktor:
      IEGRKi = \,\sum{k=1}^{K} wk Fk \ (i)
      di mana $IEGRKi$ adalah indeks emisi gas rumah kaca pada amatan $i$, $wk$ bobot faktor ke-k, $F_k$ faktor ke-k.
      6) Hubungan dengan indikator sosial-ekonomi
    • Indeks yang telah dibentuk diregresikan terhadap indikator sosial-ekonomi:
      IEGRK^<em>i=β</em>0+β<em>1ln⁡(ppk</em>i)+β<em>2ln⁡(kp</em>i)+β<em>3ind</em>i+β<em>4ln⁡(rls</em>i)\hat{IEGRK}<em>i = \beta</em>0 + \beta<em>1 \ln(ppk</em>i) + \beta<em>2 \ln(kp</em>i) + \beta<em>3 ind</em>i + \beta<em>4 \ln(rls</em>i)
      di mana $\beta0$ adalah intercept dan $\betai$ koefisien regresi variabel independen ke-i.
      7) Asumsi klasik dan estimasi BLUE
    • OLS diterapkan dengan asumsi non-autokorelasi, homoskedastisitas, normalitas, dan tidak terjadi multikolinearitas (dicek dengan VIF).
    • Jika asumsi klasik tidak terpenuhi, maka standard error dikoreksi (Newey-West) untuk mendapatkan estimasi yang BLUE sehingga uji signifikansi parameter dapat dilakukan dengan standar error robust.
  • Alur analisis (Gambar alir): data dimasukkan ke program, preprocessing, uji kebaikan indikator dengan Bartlett dan KMO/MSA, pembentukan indeks melalui analisis faktor, skor faktor distandarkan, indeks diregresikan terhadap indikator sosial-ekonomi, pengecekan asumsi klasik, dan perbaikan standard error jika diperlukan.

Hasil dan Pembahasan

  • Kelayakan data untuk analisis faktor
    • Uji Bartlett’s test of Sphericity menghasilkan p-value mendekati 0, sehingga ada korelasi antar emisi gas rumah kaca pembentuk indeks.
    • Nilai KMO = 0,82, menunjukkan bahwa variabel dapat digunakan untuk membentuk indeks komposit.
    • MSA masing-masing variabel emisi gas rumah kaca > 0,5: CH4 0,9271; CO 0,8873; HCHO 0,7335; NO2 0,8349; O3 0,7933; SO2 0,7664.
  • Penentuan jumlah faktor
    • Berdasarkan kriteria Kaiser, faktor dengan eigenvalue > 1 dianggap dominan.
    • Scree plot menunjukkan hanya satu faktor yang memiliki nilai eigen > 1, sehingga satu faktor dominan dipakai.
    • Faktor dominan tunggal ini menjelaskan 64% variasi emisi gas rumah kaca di kabupaten/kota Jawa.
  • Pembentukan indeks emisi gas rumah kaca
    • Karena hanya satu faktor, indeks dibentuk dari skor faktor tersebut dan distandardisasi ke rentang 0–1 via transformasi min–max.
    • Indeks menghasilkan sebaran nilai yang menunjukkan tingkat emisi gas rumah kaca per kabupaten/kota.
    • Kota Tangerang tercatat sebagai wilayah dengan emisi gas rumah kaca tertinggi pada 2023; Kabupaten Sumenep terendah.
  • Kategorisasi hasil indeks
    • Pengkategorian dilakukan dengan Natural Breaks Jenks (Rabosky et al., 2014) menjadi tiga kelompok: Emisi Tinggi, Emisi Sedang, Emisi Rendah.
    • Rentang kategori tinggi: > 0,5580; sedang: 0,2180–0,5580; rendah: < 0,2180.
    • Contoh anggota kategori tinggi antara lain Kota Tangerang, Kota Jakarta (Selatan, Pusat, Barat, Timur), Kota Depok, Kota Bogor, Kota Bekasi, dsb.Provinsi DKI Jakarta dan Banten cenderung masuk kategori tinggi, sejalan dengan IKU 2023 yang menunjukkan kualitas udara terburuk di wilayah tersebut.
  • Peran indikator sosial-ekonomi terhadap indeks (regresi)
    • Hasil estimasi regresi (dengan koreksi Newey-West untuk masalah autokorelasi dan heteroskedastisitas):
    • Intercept: β^0=−2.5267\hat{\beta}_0 = -2.5267; Std. Error (terkoreksi) = 0.9509; t-value = -2.6570; p-value = 0.0090*.
    • (\ln(ppk)): β^1=0.2426\hat{\beta}_1 = 0.2426; Std. Error = 0.1040; t-value = 2.3333; p-value = 0.0214*.
    • (\ln(kp)): β^2=0.1423\hat{\beta}_2 = 0.1423; Std. Error = 0.0263; t-value = 5.4149; p-value < 0.0001*.
    • ind: β^3=0.0021\hat{\beta}_3 = 0.0021; Std. Error = 0.0010; t-value = 1.9854; p-value = 0.0495*.
    • (\ln(rls)): β^4=−0.2479\hat{\beta}_4 = -0.2479; Std. Error = 0.8727; t-value = -2.8407; p-value = 0.0053*.
    • Interpretasi koefisien:
    • Peningkatan pengeluaran per kapita berkorelasi positif dengan indeks emisi gas rumah kaca (meskipun koefisien relatif kecil). Hal ini konsisten dengan gagasan bahwa pertumbuhan ekonomi meningkatkan aktivitas yang menggunakan energi dan potensi peningkatan emisi, terkait dengan konsep EKC secara parsial.
    • Kepadatan penduduk memiliki hubungan positif yang signifikan dengan indeks emisi gas rumah kaca; semakin padat penduduk, cenderung meningkatkan penggunaan energi, konsumsi, dan perubahan penggunaan lahan yang meningkatkan emisi.
    • Share sektor industri juga berhubungan positif dengan indeks emisi; peningkatan aktivitas industri meningkatkan emisi CO2/NMVOC NOx dsb. (ref: studi terkait relevan).
    • Rata-rata lama sekolah memiliki hubungan negatif signifikan dengan indeks emisi; peningkatan pendidikan diasosiasikan dengan kemampuan mengembangkan teknologi pengurangan polusi, perilaku produksi ramah lingkungan, dan kesadaran lingkungan yang lebih tinggi.
  • Aspek asumsi klasik dan koreksi signifikansi
    • Uji multikolinearitas: VIF variabel independen semua berada di bawah 10 (ln(ppk) 2,8866; ln(kp) 3,6123; ind 1,0107; ln(rls) 2,7836).
    • Uji-autokorelasi (Durbin-Watson): DW = 1,0234; p-value = 0,0000; terindikasi autokorelasi.
    • Uji heteroskedastisitas (Breusch-Pagan): p-value = 0,0000; terindikasi heteroskedastisitas.
    • Uji normalitas (Shapiro-Wilk): p-value = 0,0810; normalitas dianggap terpenuhi pada tingkat signifikansi 5%.
    • Karena adanya autokorelasi dan heteroskedastisitas, digunakan matriks pengoreksi Newey-West untuk memperoleh standard error yang tahan terhadap pelanggaran asumsi tersebut sehingga parameter tetap BLUE.
  • Implikasi temuan
    • Indeks emisi gas rumah kaca yang dibentuk dapat membantu mengarahkan kebijakan prioritas wilayah untuk penanganan emisi pada tingkat kabupaten/kota di Jawa.
    • Hubungan positif antara kepadatan penduduk, ppk, dan ind dengan emisi mendukung perlunya kebijakan ekonomi hijau, efisiensi energi, serta upaya peningkatan energi terbarukan pada sektor industri dan rumah tangga.
    • Hubungan negatif antara rls dan emisi menekankan peran pendidikan dalam mengurangi emisi melalui peningkatan kesadaran dan inovasi teknologi ramah lingkungan.

Kesimpulan

  • Indeks emisi gas rumah kaca berhasil dibentuk menggunakan variabel emisi yang lebih kompleks; 15 kabupaten/kota masuk kategori emisi tinggi, 66 sedang, dan 38 rendah.
  • Indeks dipengaruhi positif oleh pengeluaran per kapita, kepadatan penduduk, dan share sektor industri; pengaruhnya signifikan secara statistik setelah koreksi robust.
  • Rata-rata lama sekolah berperan sebagai faktor penurun emisi (efek negatif) ketika variabel lain konstan.
  • Indeks dapat digunakan oleh pemerintah untuk menentukan prioritas wilayah dalam upaya mitigasi emisi serta mengarahkan kebijakan ekonomi, kepadatan penduduk, dan aktivitas industri agar lebih ramah lingkungan.
  • Penelitian selanjutnya dapat memperkaya indeks dengan memasukkan emisi CO2, N2O, dan gas halogen yang belum tercakup karena keterbatasan data; juga perlu konfirmasi lebih lanjut terhadap EKC serta memasukkan variabel tambahan seperti energi, transportasi, penggunaan lahan, dan perkembangan teknologi.

Keterbatasan dan Saran

  • Pembatasan utama: belum memasukkan CO2, N2O, gas-gas halogen karena keterbatasan data; NMVOC direkonstruksi melalui HCHO.
  • Data sumber selain Sentinel-5P dan MERRA-2 memiliki keterbatasan spasial dan temporal yang dapat mempengaruhi akurasi indeks.
  • Saran untuk penelitian berikutnya:
    • Tambah emisi CO2, N2O, gas halogen jika data tersedia; tambahkan prekursor NOx dan NMVOC secara lebih eksplisit.
    • Tambahkan variabel eksogen seperti energi, transportasi, penggunaan lahan, dan teknologi untuk memperkaya analisis STIRPAT dan EKC.
    • Uji robust terhadap alternatif spesifikasi indikator dan metode pembobotan.

Referensi Kontekstual (singkat)

  • IPCC (2007) sebagai basis pengelompokkan gas rumah kaca.
  • OECD (2008) Handbook on Constructing Composite Indicators: Methodology and User Guide untuk kerangka pembangunan indeks komposit.
  • Shown studies terkait STIRPAT dan penggunaan data satelit (Sentinel-5P, MERRA-2) dalam analisis emisi dan lingkungan.
  • Nasional: kebijakan rendah karbon, PRK, dan target SDG 13 terkait mitigasi perubahan iklim.