Oleh: Lalu Muhamad Jaelani — Laboratorium Geospasial, Departemen Teknik Geomatika ITS
Sejak 2018, satelit Sentinel-5P membawa alat bernama TROPOMI. Setiap hari alat ini memetakan nitrogen dioksida, sulfur dioksida, ozon, karbon monoksida, dan formaldehida di seluruh dunia, dengan kotak selebar 3,5 sampai 7 km. Ukuran itu cukup untuk melihat perbedaan antara satu ruas jalan dan ruas berikutnya.
Masalahnya, satelit tidak mengukur apa yang dihirup manusia. TROPOMI menghitung seluruh isi udara dari permukaan sampai puncak atmosfer, sedangkan baku mutu udara, penilaian kesehatan, dan perhitungan emisi berbicara tentang kadar di dekat tanah. Jarak antara keduanya tidak bisa diabaikan, karena debu dan gas bisa menumpuk di bawah atau menyebar ke atas.
Sebuah kajian sistematis di International Journal of Geoinformatics menelusuri bagaimana para peneliti di dunia menjembatani jarak itu, khususnya untuk nitrogen dioksida, dengan menyertakan karbon monoksida, sulfur dioksida, ozon, dan formaldehida. Rentang kajiannya 2018 sampai 2025.
Dari seribu menjadi lima belas
Penelusuran mengikuti panduan PRISMA. Pencarian di Scopus menemukan 1.022 studi. Setelah disaring, tersisa 150 studi yang membahas pengujian. Dari jumlah itu, hanya 15 yang memenuhi dua syarat: mengubah data kolom satelit menjadi kadar di permukaan, dan melaporkan sedikitnya satu angka ketelitian terhadap pengukuran di tanah.
Angka 15 itu kecil. Artinya, dari ribuan makalah yang memakai data TROPOMI, sangat sedikit yang benar-benar menguji apakah hasilnya cocok dengan alat di permukaan.
Tiga cara menjembatani
Studi yang lolos terbagi menjadi tiga kelompok.
Cara pertama, pembelajaran mesin. Delapan dari 15 studi memakai cara ini, dan enam di antaranya memakai model berbasis pohon keputusan. Model dilatih dengan data pengamatan tanah ditambah data cuaca, lalu diminta menebak kadar di permukaan.
Cara kedua, perhitungan fisika. Kadar di permukaan diperkirakan dari bentuk sebaran gas secara vertikal yang dihitung model, bukan dari data latihan.
Cara ketiga, pengujian langsung. Peneliti hanya mengukur seberapa erat hubungan antara angka satelit dan angka di tanah, tanpa mengubah satuannya.
Seberapa akurat
Pada 15 studi itu, angka korelasi berkisar 0,51 sampai 0,96 dengan nilai tengah 0,80. Sedangkan koefisien determinasi berkisar 0,59 sampai 0,92 dengan nilai tengah 0,84.
Beberapa contoh terbaiknya: model deep learning mencapai 0,914 sampai 0,919 pada tiga set data uji tahunan di Inggris. Random Forest mencapai 0,875 di Dataran Fenwei, Tiongkok. XGBoost mencapai kesalahan rata-rata 7,77 µg/m³ pada data uji di seluruh Eropa.
Angka-angka itu tidak bisa dibandingkan langsung, karena cara pengujiannya berbeda. Ada yang melaporkan hasil pada data latihan, ada yang pada data uji yang belum pernah dilihat model. Karena itu, kajian ini menegaskan satu hal: yang paling menentukan ketelitian bukan pilihan algoritma, melainkan kualitas dan kepadatan jaringan alat pembanding di lapangan.
Buktinya, hasil tertinggi justru muncul di wilayah dengan jaringan pemantau terpadat. Di satu studi, membuang satu variabel cuaca saja, yaitu tinggi lapisan udara bawah, menurunkan ketelitian per jam sebesar 16 persen. Variabel itu bukan pelengkap, melainkan penentu.
Keunggulan yang belum terbukti
Pembelajaran mesin memang tampak lebih unggul daripada perhitungan fisika. Namun kajian ini mencatat bahwa belum ada satu pun studi yang membandingkan keduanya pada data yang sama. Jadi keunggulan itu berlaku sesuai konteks, bukan kesimpulan umum.
Ada juga keterbatasan yang jarang dibahas: awan. Data satelit yang tertutup awan dibuang, sehingga model sebenarnya belajar dari langit cerah saja. Di kawasan yang berawan sepanjang tahun, hal ini memangkas jumlah data yang tersedia.
Mengapa Indonesia tertinggal
Dari 15 studi yang lolos, tidak ada satu pun yang dilakukan di kawasan tropis. Tidak ada bukti langsung untuk Maritime Continent, kawasan kepulauan yang mencakup Indonesia.
Penyebabnya bukan kebetulan. Kajian ini menyebut tiga hal.
Pertama, tidak ada alat acuan. Indonesia belum memiliki spektrometer kelas Pandora atau MAX-DOAS, alat yang dipakai sebagai pembanding standar. Tanpa alat ini, pengujian paling dasar pun tidak bisa dilakukan.
Kedua, jaringan pemantau tipis. Ada sekitar 50 stasiun pemantau kualitas udara yang dioperasikan BMKG, dan sebagian besar terpusat di Jawa.
Ketiga, awan menutupi hampir sepanjang tahun. Di banyak wilayah, tutupan awan rata-rata tahunan melebihi 70 persen. Pengaturan pembacaan satelit yang dipakai di Indonesia dikembangkan dan diuji dengan data dari lintang menengah, sehingga perilakunya di daerah tropis belum diketahui.
Empat langkah yang disarankan
Kajian ini menutup dengan empat saran.
Pertama, memasang sedikitnya empat spektrometer Pandora atau MAX-DOAS di lokasi yang mewakili tiga kondisi berbeda: perkotaan, kawasan rawan kebakaran lahan, dan kawasan gunung api.
Kedua, memprioritaskan penaksiran nitrogen dioksida di permukaan, dengan pendekatan gabungan antara fisika dan pembelajaran mesin, diuji memakai lokasi yang dikeluarkan dari data latihan.
Ketiga, menyiapkan penaksiran karbon monoksida untuk musim kebakaran gambut di Sumatra dan Kalimantan.
Keempat, menyiapkan penaksiran sulfur dioksida untuk gas vulkanik di sepanjang Busur Sunda.
Kesimpulan yang perlu dinyatakan terbuka: data satelit sudah cukup untuk mengenali titik panas, memeringkat paparan, dan melihat kecenderungan dari tahun ke tahun. Namun belum cukup untuk mengambil keputusan izin atau penegakan hukum yang bergantung pada ambang batas, terutama di wilayah tropis yang belum pernah diuji.
Artikel ilmiah lengkapnya dapat dibaca di:
Setiowati, A. O., Pok, S., & Jaelani, L. M. (2026). Systematic review of Sentinel-5P nitrogen dioxide (NO₂) validation and surface estimation methods (2018–2025): implications and perspectives for Indonesia. International Journal of Geoinformatics, 22(10), 46–68. https://doi.org/10.52939/ijg.v22i10.5235
Leave a Reply