Resensi Jurnal
Oleh: Gabriel Ivo Aveliano Kusuma Adi Valentino
Referensi
Jiandong Chen, Ming Gao, Shulei Cheng, Wenxuan Hou, Malin Song, Xin Liu, Yu Liu. Global 1 km × 1 km Gridded Revised Real Gross Domestic Product and Electricity Consumption During 1992–2019 Based on Calibrated Nighttime Light Data. Scientific Data. https://doi.org/10.1038/s41597-022-01322-5
1. Pendahuluan
Kegiatan ekonomi sangat penting bagi pembangunan dan kelangsungan hidup manusia. Kegiatan ekonomi tersebut difasilitasi oleh organisasi dan tatanan sosial. Manusia menggunakan tenaga kerja dan sumber daya produksi untuk menghasilkan barang dan jasa yang memiliki nilai ekonomi, melalui proses penciptaan, transformasi, dan distribusi. Output ekonomi di suatu negara atau wilayah adalah akumulasi nilai ekonomi yang diciptakan dalam periode tertentu yang dikenal dengan Gross Domestic Product (GDP). Seperti yang diketahui, Gross Domestic Product atau dikenal dengan Produk Domestik Bruto (PDB) merupakan indikator yang paling umum untuk mengukur jumlah output perekonomian yang dihasilkan secara global.
Listrik merupakan hal yang paling krusial di kehidupan manusia saat ini. Selain itu, konsumsi listrik diadopsi sebagai indikator pelengkap yang secara tidak langsung mencerminkan status ekonomi dan kualitas hidup penduduk karena sangat diperlukan seperti kegiatan industri. Secara khusus, konsumsi listrik yang luas di berbagai industri dan sektor menjadikannya kontributor substansial bagi pertumbuhan ekonomi. Ketersediaan listrik untuk konsumsi meningkatkan mata pencaharian penduduk miskin, dengan pola konsumsi yang mencerminkan kualitas dan gaya hidup (Niu, S. W. et al. 2016 dan Karatasou, S. & Santamouris, M. 2019)
1.2 Data Nighttime Light
Nighttime light data dapat dipakai dalam penelitian ekonomi, terutama untuk memperkirakan Gross Domestic Product (GDP) dan konsumsi listrik. Nighttime light berupa tingkat cahaya buatan dipermukaan bumi pada malam hari. Nighttime light berfungsi sebagai proksi yang efektif untuk mengkalibrasi pertumbuhan ekonomi. Hal ini berkorelasi dengan indikator ekonomi, menjadikannya alternatif yang berguna ketika sumber data tradisional tidak dapat diandalkan atau tidak tersedia. Seperti studi terdahulu oleh Henderson et al. (2012) memakai the Defense Meteorological Satellite Program’s Operational Linescan System (DMSP/OLS) nighttime light data yang nantinya dianalisis dengan real GDP growth. Data nighttime light juga dapat menggambarkan tentang konsumsi listrik suatu wilayah. Seperti studi terdahulu yang dilakukan oleh Chen et al. (2020) menggunakan metode regresi klasifikasi untuk menghitung konsumsi listrik Tiongkok pada tahun 2015 berdasarkan kombinasi data NPP/VIIRS dan data perubahan penggunaan dan tutupan lahan (LUCC) tahun 2015.
1.2 Urgensi Analisis dengan Data Gridded
Dapat diketahui bahwa listrik sangat penting dalam menunjang kegiatan perekonomian. Oleh karena itu, banyak peneliti yang memperhatikan laporan GDP, konsumsi listrik, dan perubahan spasiotemporalnya. Studi ini berfokus memakai gridded pada GDP dan nighttime light yang tujuan utamanya adalah untuk memberikan estimasi GDP dan konsumsi listrik yang lebih akurat pada skala jaringan 1 km × 1 km. Hal ini dikarenakan untuk mengatasi keterbatasan dalam studi sebelumnya yang sering hanya mengandalkan data statistik GDP resmi, yang kurang presisi dalam temuan analisis, terutama di negara berkembang. Dengan demikian, beberapa studi telah melakukan estimasi GDP dan konsumsi listrik yang terkotak-kotak (gridded) dengan resolusi tertentu berdasarkan beberapa alat proksi. Hal ini juga didukung untuk melihat pengaruh secara kewilayahan dapat membagi wilayah tersebut secara gridded. Data grid memungkinkan analisis spatiotemporal terperinci pada skala tingkat mikro, seperti kota kecil dan desa, yang seringkali tidak mungkin dilakukan dengan data nasional agregat. Rincian ini membantu dalam memahami dinamika ekonomi lokal dan pola penggunaan listrik.
Data spasial dengan gridded data dapat berupa data populasi gridded seperti studi Kummu et al. (2014) menggabungkan GDP per kapita rata-rata subnasional dengan data populasi gridded untuk memperkirakan data GDP gridded selama 1990–2015. Studi terdahulu dengan data gridded oleh Shi et al. (2016) menggunakan data nighttime light dari DMSP/OLS untuk memperkirakan konsumsi listrik gridded pada resolusi 1 km selama 1992–2013.
1.3 Tradeoff dengan Pendekatan Gridded Data
Penggunaan data grid berbasis nighttime light data memang melibatkan banyak trade-off antara resolusi, cakupan, akurasi, dan validitas ekonomi berdasarkan studi terdahulu. Banyak studi terdahulu hanya mengandalkan data GDP resmi untuk distribusi spasial, padahal data tersebut sering kali tidak akurat, terutama studi di negara berkembang seperti Tiongkok (Holz, 2014) dan sejumlah negara di Afrika (Sandefur, J. & Glassman, A. 2015) karena kelemahan metode statistik atau manipulasi data secara sengaja. Sebagian besar studi hanya menggunakan intensitas nighttime light secara langsung sebagai bobot distribusi GDP nasional ke grid-grid kecil, tanpa mempertimbangkan variasi spasial antar wilayah (grid heterogeneity), sehingga menghasilkan estimasi pertumbuhan GDP per grid yang tidak akurat. Keterbatasan juga muncul dari perbedaan teknologi antara dua generasi sensor satelit, yaitu DMSP/OLS dan VIIRS, yang menyebabkan ketidakkonsistenan data dan membatasi penyusunan seri waktu panjang untuk GDP grid berbasis nighttime light. Masalah serupa juga ditemui dalam studi mengenai konsumsi listrik berbasis grid. Hingga saat ini, data jangka panjang konsumsi listrik grid hanya tersedia sampai tahun 2013, karena keterbatasan data nighttime light dan data konsumsi listrik itu sendiri. Selain itu, pendekatan yang digunakan dalam studi terdahulu cenderung menyederhanakan hubungan antara konsumsi listrik dan cahaya malam dengan asumsi bahwa rasio keduanya seragam di seluruh wilayah, sehingga gagal menangkap variasi spasial yang penting.
Oleh karena itu, studi ini menekankan perlunya pendekatan baru yang mampu mengatasi berbagai keterbatasan ini untuk menghasilkan estimasi GDP dan konsumsi listrik grid yang lebih akurat dan konsisten dari waktu ke waktu. Pendekatan dalam studi ini berusaha meminimalkan trade-off tersebut dengan melakukan kalibrasi lintas sensor, koreksi bias statistik, dan mempertimbangkan heterogenitas spasial dalam model distribusinya.
2. Metodologi
Sebelum dilakukannya analisis yang mendalam, pada studi ini dilakukan matching dari dua set data dari nighttime light atau penyesuaian data antara dua sumber data cahaya malam yang berbeda, yaitu DMSP/OLS (1992–2013) dan NPP/VIIRS (2012–2019). Kedua dataset ini berbeda secara teknologi dan karakteristik, sehingga tidak bisa langsung digabungkan untuk membuat deret waktu (time-series) yang konsisten. DMSP/OLS memiliki resolusi spasial lebih rendah dan cenderung mengalami saturasi (nilai maksimum cahaya terlalu sering tercapai di daerah terang seperti kota besar). Sedangkan NPP/VIIRS lebih modern, dengan resolusi lebih tinggi dan tidak mudah jenuh, namun hanya tersedia sejak 2012. Jika dua data ini langsung digabung tanpa koreksi, maka tren dari 1992 ke 2019 akan terdistorsi karena perbedaan sensor, bukan karena perubahan nyata di lapangan. Proses matching ini menghasilkan dataset NTL tahunan resolusi 1 km yang seragam dan dapat dibandingkan antar tahun, sehingga dapat digunakan secara valid untuk memperkirakan pertumbuhan GDP dan konsumsi listrik per grid secara temporal dan spasial. Tujuan penggunaan PSO-BP neural network adalah agar dua dataset nighttime light yang berbeda karakteristiknya bisa disatukan secara konsisten dan memungkinkan analisis jangka panjang (1992–2019) terhadap GDP dan konsumsi listrik berbasis grid.
Hasil matching dengan dengan PSO-BP neural network pada figur 1 menunjukkan R² yang sangat tinggi di semua benua (> 0.96), maka proses matching atau penyelarasan data antara DMSP/OLS dan NPP/VIIRS dianggap sukses dan dapat diandalkan secara global, sehingga data hasil gabungan bisa digunakan untuk membentuk deret waktu spasial yang konsisten dari 1992 hingga 2019.
Figur 1. Hasil Matching DMSP/OLS dan NPP/VIIRS
Sumber: Chen et al. (2022)
Studi ini mengadopsi model yang dipakai oleh Handerson et al. (2012) dan Guerrero at al. (2019). Estimasi pertumbuhan yang direvisi merupakan gabungan (composite) dari dua komponen: pertumbuhan yang diukur secara konvensional dan pertumbuhan yang diprediksi berdasarkan data cahaya malam, dengan bobot yang berbeda. Mengikuti pendekatan dari studi-studi tersebut, studi ini menggunakan data cahaya malam untuk merevisi laju pertumbuhan GDP riil. Karena studi sebelum model acuan adanya kesalahan dalam pertumbuhan GDP yang disebabkan oleh metode statistik yang buruk atau manipulasi yang disengaja, data nighttime light telah digunakan secara luas untuk merevisi data pertumbuhan GDP nasional resmi. Secara khusus, laju pertumbuhan GDP riil ini diestimasi menggunakan persamaan berikut.
di mana:
- y*i,t: pertumbuhan GDP riil yang direvisi,
- y i,t: pertumbuhan GDP resmi,
- y’i,t: pertumbuhan GDP berdasarkan nighttime light,
- ρ : bobot optimal berdasarkan kualitas data (0,94 untuk negara maju, 0,66 untuk negara berkembang).
Persamaan diatas memiliki makna pertumbuhan GDP riil dihitung sebagai gabungan antara data resmi dan estimasi berdasarkan cahaya malam. Varians dari pertumbuhan GDP gabungan tersebut diestimasi menggunakan persamaan berikut.
Mengikuti pendekatan dari Henderson et al. (2012), hubungan antara data nighttime light dan pertumbuhan GDP riil / pertumbuhan GDP resmi dijelaskan melalui persamaan-persamaan berikut:
Di mana sdnai adalah pertumbuhan dari jumlah nilai DN (Digital Number) per area; y,i, sdna,i, dan ei adalah kesalahan (error); β adalah elastisitas pertumbuhan cahaya terhadap pertumbuhan GDP riil; sedangkan adalah elastisitas pertumbuhan GDP resmi terhadap pertumbuhan cahaya; y2 dan sdna2 adalah varians dari masing-masing kesalahan (error).
Nilai GDP dan listrik setiap tahun dihitung secara kumulatif dari tahun sebelumnya menggunakan pertumbuhan yang telah diperoleh. Kemudian, nilai GDP dan konsumsi listrik dibagikan ke tiap grid berdasarkan proporsi intensitas cahayanya terhadap total nasional. GDP dan konsumsi listrik nasional dibagikan ke grid berdasarkan proporsi intensitas nighttime light setiap grid. Koreksi dilakukan untuk menghindari nilai ekstrem (misalnya, grid dengan DN terlalu kecil atau nol dianggap tidak memiliki aktivitas ekonomi).
3. Data dan Variabel
Studi ini melakukan estimasi didasarkan pada pendekatan top-down, area studi bergantung pada negara-negara yang menyediakan data yang tersedia. Data GDP mencakup 175 negara (atau kawasan), dan data konsumsi listrik mencakup 134 negara (atau kawasan). Dengan demikian, cakupan studi mencakup lebih dari 70% wilayah daratan global, dan lebih dari 90% GDP dan konsumsi listrik.
Studi ini menggunakan beberapa jenis data utama dan variabel untuk menyusun estimasi Produk Domestik Bruto (GDP) dan konsumsi listrik dalam bentuk grid spasial resolusi tinggi (1 km × 1 km) secara global untuk periode 1992 hingga 2019. Sumber data utama yang digunakan adalah data nighttime light (NTL) dari dua generasi sensor satelit, yaitu Defense Meteorological Satellite Program/Operational Linescan System (DMSP/OLS) (1992–2013) dan National Polar-Orbiting Partnership’s Visible Infrared Imaging Radiometer (NPP/VIIRS) (2012–2019). Kedua jenis data ini kemudian dikalibrasi dan diharmonisasi agar menghasilkan data nighttime light (NTL) yang konsisten secara temporal dan spasial sepanjang periode tersebut. Hal ini dikarenakan DMSP/OLS (1992–2013) dan NPP/VIIRS (2012–2019) memiliki karakteristik yang berbeda. Data NTL digunakan sebagai indikator tidak langsung (proksi) untuk aktivitas ekonomi dan konsumsi listrik, karena intensitas cahaya malam dapat mencerminkan konsentrasi aktivitas manusia dan penggunaan energi di suatu wilayah. Data tersebut juga diambil dengan telah melakukan menghilangkan noise (gangguan) berupa tutupan awan agar data dapat terbaca.
Studi ini juga memakai data GDP riil nasional dari 177 negara, yang dikonversi ke satuan konstan dolar tahun 2015. Sumber utama data ini berasal dari lembaga-lembaga seperti World Bank, IMF, dan Penn World Table, yang kemudian disesuaikan atau direvisi untuk mengatasi ketidakkonsistenan dan manipulasi statistik yang mungkin terjadi, terutama di negara berkembang. Data konsumsi listrik nasional tahunan juga dikumpulkan dari berbagai sumber seperti International Energy Agency (IEA), World Bank, serta data statistik nasional, dan dilakukan penyesuaian untuk mengisi kekosongan data dan meningkatkan konsistensinya.
Variabel utama yang dipakai dalam analisis adalah gridded GDP dan gridded electricity consumption, yaitu estimasi GDP dan konsumsi listrik per grid 1 km × 1 km per tahun. Estimasi ini dilakukan dengan cara mendistribusikan data nasional ke level grid menggunakan bobot berdasarkan intensitas cahaya malam yang telah dikalibrasi. Untuk meningkatkan akurasi estimasi, digunakan pula rasio GDP terhadap NTL dan konsumsi listrik terhadap NTL yang memperhitungkan heterogenitas spasial antar grid, tidak sekadar mengasumsikan bahwa semua wilayah memiliki rasio yang sama.
Sebagai bagian dari proses validitas dan kontrol, studi ini juga menggunakan variabel tambahan seperti populasi per grid (dari WorldPop dan GPWv4), tingkat urbanisasi, serta data administratif subnasional. Variabel-variabel ini digunakan untuk mengevaluasi keakuratan distribusi spasial dari hasil estimasi GDP dan konsumsi listrik, serta untuk membandingkan hasil estimasi dengan pola demografis dan geografis yang ada. Dengan pendekatan ini, dataset yang dihasilkan mampu memberikan informasi ekonomi dan energi secara spasial dan temporal yang lebih rinci, komprehensif, dan dapat diandalkan untuk berbagai analisis pembangunan dan kebijakan.
4. Temuan
Figur 2. Pemetaan 1 km × 1 km gridded nighttime light data 2019
Sumber: Chen et al. (2022)
Pemetaan spasial dilakukan pada data NTL pada area studi. Dapat diketahui bahwa wilayah dibeberapa Amerika Serikat dan di Eropa memiliki nilai nighttime light yang tinggi. Selain itu, area yang tidak memiliki pencahayaan malam dianggap tidak memiliki aktivitas ekonomi atau konsumsi listrik.
Hasil analisis dalam studi ini menunjukkan bahwa set data GDP dan konsumsi listrik yang diestimasi lebih dapat diandalkan dan objektif, karena mereka menggunakan data nighttime light sebagai proksi untuk aktivitas ekonomi. Terdapat hubungan yang kuat dan signifikan antara Produk Domestik Bruto (GDP) dan konsumsi listrik dengan intensitas cahaya malam (nighttime light/NTL). Melalui analisis, ditemukan bahwa pertumbuhan cahaya malam memiliki elastisitas positif terhadap pertumbuhan GDP dan konsumsi listrik, yang berarti semakin terang suatu wilayah di malam hari, semakin tinggi pula aktivitas ekonominya dan konsumsi energinya.
Estimasi pertumbuhan GDP berdasarkan data NTL menunjukkan kesesuaian yang tinggi dengan data resmi di banyak negara, namun secara khusus berperan penting dalam mengoreksi bias pada data GDP resmi dari negara-negara berkembang yang kualitas statistiknya rendah. Sementara itu, estimasi konsumsi listrik berdasarkan perubahan intensitas cahaya malam juga menunjukkan pola spasial yang konsisten, di mana wilayah dengan intensitas cahaya tinggi seperti kota besar, pusat industri, dan daerah urban menunjukkan tingkat konsumsi listrik yang jauh lebih tinggi dibandingkan wilayah rural. Model regresi menunjukkan bahwa NTL dapat menjelaskan sebagian besar variasi dalam GDP dan konsumsi listrik antar wilayah, dengan nilai R² yang tinggi (> 0,85) dalam validasi terhadap data subnasional. Secara keseluruhan, hasil ini menegaskan bahwa data NTL dapat digunakan secara efektif untuk memprediksi dan mendistribusikan GDP dan konsumsi listrik dalam konteks geografis mikro (grid 1 km × 1 km), serta dapat menggantikan atau melengkapi data resmi, terutama di wilayah yang tidak memiliki data statistik ekonomi atau energi yang memadai. Hubungan kuat antara GDP, konsumsi listrik, dan cahaya malam juga menunjukkan bahwa intensitas NTL merupakan indikator yang andal
Uji validitas algoritma PSO-BP untuk estimasi GDP dan konsumsi listrik dilakukan dalam studi ini untuk memastikan bahwa model yang digunakan mampu menghasilkan prediksi yang akurat dan andal dalam menghubungkan data citra cahaya malam dengan indikator ekonomi. Algoritma PSO-BP (Particle Swarm Optimization – Backpropagation Neural Network) merupakan metode kecerdasan buatan yang menggabungkan kekuatan optimasi global dari PSO dan kemampuan pembelajaran non-linear dari jaringan syaraf tiruan (BP neural network). Model ini digunakan secara khusus untuk menyesuaikan (matching) data dari dua sumber satelit berbeda—DMSP/OLS dan NPP/VIIRS—agar konsisten dalam deret waktu dan kemudian untuk memperkirakan rasio GDP dan konsumsi listrik terhadap nighttime light secara spasial. Dalam proses validasi, model PSO-BP diuji menggunakan data tahun 2013, yaitu tahun di mana kedua sensor satelit tersedia secara bersamaan. Hasil pelatihan model pada enam benua menunjukkan nilai koefisien determinasi (R²) di atas 0,96, yang berarti lebih dari 96% variasi dalam data dapat dijelaskan oleh model. Hal ini menunjukkan bahwa algoritma PSO-BP mampu secara akurat menangkap hubungan kompleks antara intensitas nighttime light dengan GDP dan konsumsi listrik. Selain itu, model juga diuji pada grid-grid yang tersebar di seluruh dunia untuk memastikan bahwa performanya tidak hanya kuat secara global, tetapi juga spasial-lokal, dengan error yang kecil dan tidak sistematis.
Figur 3. Hasil scattler plot GDP dan konsumsi listrik nasional periode 1992–2019.
Sumber: Chen et al. (2022)
Studi ini memakai scatter plot sebagai alat analisis dan validasi visual untuk menunjukkan hubungan antara intensitas cahaya malam (nighttime light/NTL) dengan GDP dan konsumsi listrik, baik di tingkat nasional maupun spasial grid. Hasil scatter plot menunjukkan bahwa terdapat hubungan yang kuat dan positif antara pertumbuhan intensitas cahaya malam dengan pertumbuhan GDP riil. Titik-titik data membentuk pola linear yang naik, mengindikasikan bahwa wilayah-wilayah dengan peningkatan cahaya malam juga mengalami peningkatan aktivitas ekonomi. Hal serupa juga terlihat dalam hubungan antara NTL dan konsumsi listrik, di mana grafik scatter plot menunjukkan korelasi yang signifikan dan linearitas yang kuat. Validasi lebih lanjut dilakukan dengan menggunakan data subnasional, seperti GDP provinsi, untuk dibandingkan dengan hasil estimasi GDP per grid. Scatter plot pada tahap ini menunjukkan nilai koefisien determinasi (R²) yang tinggi, yaitu lebih dari 0,85, yang menunjukkan bahwa model estimasi berbasis NTL konsisten dengan data resmi yang tersedia. Selain itu, scatter plot juga membantu mengidentifikasi titik-titik outlier, yaitu wilayah yang nilai NTL dan GDP-nya tidak sejalan, yang dapat dijadikan acuan untuk analisis lanjutan terkait anomali atau ketidaksesuaian data. Secara keseluruhan, scatter plot dalam studi ini membuktikan bahwa NTL merupakan indikator yang andal untuk memetakan dan memprediksi GDP dan konsumsi listrik secara spasial dan temporal.
5. Simpulan
Sebagai kesimpulan, temuan studi ini menggarisbawahi potensi metodologi inovatif dalam dengan menggunakan data cahaya malam (nighttime light/NTL) yang telah dikalibrasi secara lintas sensor dan lintas waktu dapat meningkatkan kualitas studi, terutama metode dan data statistik pada umumnya yang sering kali kurang menangkap keadaan yang sebenarnya. Melalui kombinasi pendekatan ekonometrika dan kecerdasan buatan dengan algoritma PSO-BP yang diambil dari data dua satelit berbeda yaitu DMSP/OLS dan NPP/VIIRS, berhasil diselaraskan sehingga menghasilkan deret waktu NTL yang konsisten. Estimasi pertumbuhan GDP dan konsumsi listrik dilakukan dengan metode composite yang menggabungkan data resmi dengan estimasi berbasis NTL, menghasilkan koreksi yang signifikan terhadap potensi kesalahan atau bias dalam data statistik resmi, khususnya di wilayah studi pada negara berkembang. Korelasi yang sangat kuat pada validasi hasil estimasi dengan data resmi nasional dan subnasional, dengan nilai R² tinggi (di atas 0,85), serta distribusi spasial GDP dan konsumsi listrik yang realistis dan sesuai dengan kondisi aktual di lapangan. Secara keseluruhan, studi ini juga memberikan kontribusi penting dalam menyediakan data spasial-temporal ekonomi dan energi global yang akurat, lengkap, dan dapat digunakan untuk berbagai aplikasi, seperti analisis pembangunan, ketimpangan spasial, tata kelola energi, dan perencanaan kebijakan pembangunan berkelanjutan.