LAPORAN PRAKTIKUM MATA KULIAH SISTEM INFORMASI GEOGRAFIS
Oleh: HARISMAN EDI NRP : A153140011
PROGRAM STUDI MITIGASI BENCANA KERUSAKAN LAHAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2014
LAPORAN PRAKTIKUM
A. Waktu dan Tempat Praktikum dilaksanakan pada: Hari/Tanggal
: Setiap hari Rabu
Waktu
: 10.00-13.00 WIB
Tempat
: Labolatorium Penginderaan Jauh atau Labolatorium Interpretasi Foto Udara, DISTL-IPB
B. Materi Adapun materi pada praktikum SIG pertemuan 7-10 kali ini adalah Pengenalan Interface mengenai materi, laporan, perangkat lunak, mini project. Perangkat Lunak yang praktikan gunakan adalah Arc.GIS 10. Dimana langkah-langkatnya adalah sebagai berikut : 1. Analisis distribusi geografis 2. Analisis jarak dan proximity 3. Zonal statistik 4. Interpolasi C. Metode Praktikum Prinsip distribusi pada dasarnya suatu gejala dan fakta yang tersebar tidak merata di permukaan bumi. Analisis pertama yang dapat dilakukan untuk mengetahui kondisi data adalah Exploratory Spatial Data Analysis (ESDA). ESDA berguna untuk mempelajari kondisi data, hubungannya satu sama lain juga dapat terungkap secara menyeluruh yang selanjutnya pengguna juga akan meramalkan lebih lanjut. Pada kegiatan ini, ESDA akan diterapkan untuk mempelajari sebaran RTH pohon di Kota Bogor tahun 2009. 1. DISTRIBUSI GEOGRAFIS
1.1 Pusat Penyebaran Analisis pusat penyebaran dapat digunakan untuk melihat secara sekilas apakah terdapat tendensi khusus dari obyek yang diamati terhadap ruang analisis (umumnya dalam bentuk poligon). ArcGIS memiliki modul khusus yang digunakan untuk mengamati posisi pusat penyebaran ini yaitu Central Feature yang dapat dipilih pada komponen ArcToolbox sebagai berikut:
Langkah-langkah dalam analisis distribusi geografis dilakukan penentuan pusat penyebaran, Menentukan pusat penyebaran :Spatial Statistics ToolsMeasuring Geographic DistributionsCentral Feature OK
1.2 Distribusi Sebaran Pada ESDA, sebaran data ditelaah dengan memperhatikan Distribusi Sebaran yang dapat diakses dengan menu berikut: Langkah-langkah dalam analisis distribusi geografis selain dilakukan penentuan pusat penyebaran juga dilakukan distribusi sebaran. Menentukan pusat penyebaran : Spatial Statistics ToolsMeasuring Geographic DistributionsDirectional Distribution OK
1.3 Densitas Titik Salah satu fungsi ESDA yang menarik adalah kemampuannya dalam menelaah densitas suatu obyek secara lebih kuantitatif. Hal ini agak berbeda dengan kemampuan visual manusia yang dapat menelaah konfigurasi kejadian secara otomatis, tetapi cenderung lebih kualitatif.
Salah
satu pendekatan untuk mengkuantitatifkan
keragaman suatu titik kejadian adalah dengan mengkalkulasi kerapatan (densitas). Kerapatan titik-titik obyek/kejadian dapat ditelaah dengan ArcGIS melalui dua metode
utama yaitu
Point
Density
dan
Kernel
Density.
Point
Density hanya
mempertimbangkan individu titik, sedangkan Kernel Density turut mempertimbangkan ketetanggaan. Point Density dapat diakses melalui menu:
Hasil analisis secara otomatis akan menggunakan modus pewarnaan gradual. Untuk menajamkan gradasi warna, pengguna dapat mengganti pada bagian Color Ramp
Hal yang dapat disimpulkan bahwa sebaran RTH pohon di Kota Bogor cenderung anisotropik dan tidak menyebar ke segala penjuru dengan baik. Kecenderungan sebaran adalah pada arah timur-barat. RTH pohon juga ditemukan sangat tersebar, dengan simpangan yang sangat lebar. 2. ANALISIS JARAK Pada praktikum ini akan dilakukan beberapa analisis yang. Dengan menggunakan Spatial Statistic Tools ini, akandapat memperoleh informasi baru dari data yang ada, menganalisis hubungan spasial, serta membangun model spasial. Analisis yang dilakukan yaitu Buffer, Euclidean Distance, Analisis Slope, Cost Distance, serta Path Distance. 2.1 Buffer. Konsep jarak dalam analisis spasial memiliki posisi yang penting.Oleh karena dalam analisis spasial terdiri dari jenis data yang berbeda (raster dan vektor), maka jarak spasial dapat dihitung dengan dua pendekatan utama, yaitu jarak Euclidian (umumnya diterapkan pada data vektor) dan jarak Manhattan. Buffer biasanya digunakan untuk mewakili suatu jangkauan pelayanan ataupun luasan yang diasumsikan dengan jarak tertentu untuk suatu kepentingan analisis spasial.Buffer juga dapat diartikan sebagai proses pembuatan zona dengan luasan tertentu disekeliling data masukan, sesuai dengan penentuan jarak oleh pengguna. Pembuatan buffer membutuhkan penentuan jarak dalam satuan yang terukur (misalnya meter, kilometer, dll).Buffer biasanya digunakan untuk menentukan area yang terpengaruh oleh adanya kenampakan tertentu. Pembuatan daerah penyangga (buffer) dapat dikatakan sebagai analisis berbasis jarak yang pertama dipelajari untuk data vektor.Untuk data raster, analisis jarak dapat diatur dengan pendekatan kontinu. Pada bagian ini, akan diamati efek polusi suara dari kelas jalan di Kota Bogor dengan membuat daerah penyangga pada masing-masing kelas jalan. Langkah – langkah : Pada ArcToolbox, klik Analysis Tools – Proximity – Buffer. Pada input feature, masukkan data “bgr_jalan.shp” sedangkan pada output feature, simpan dengan memberi nama file “bgr_jalan_buffer”
2.2 Euclidian Distance Pemetaan jarak adalah menghitung seberapa jauh masing-masing sel dari obyek terdekat yang akan pilih. Euclidian distance ini digunakan untuk menghitung jarak lurus setiap sel pada suatu data raster terhadap lokasi sumber (source) atau lokasitujuan (destination). Pada bagian ini, efek polusi suara jalan di Kota Bogor akan ditelaah secara kontinu. Langkah – langkah : Data yang digunakan sama dengan pada analisis buffer : “bgr_jalan.shp”. Pada ArcToolbox, klik Spatial Analysist Tools - pilih Distance- lalu pilih Euclidean Distance
2.3
Cost-Distance dan Analsis Slope Cost-Distance merupakan analisis praktis dalam mencari solusi yang berhubungan dengan cost (biaya), yang pada intinya adalah untuk menentukan jalur optimum. Dalam praktikum ini, analisis ini digunakan untuk menentukan jalur pengenalan hutan tropika yang akan dibangun di Taman Nasional Halimun Salak. Titik acuan yang kaya biodifersitas telah ditemukan dan akan menjadi pusat kegiatan. Untuk menjaga titik acuan ini tidak terdampak, maka sebuah lokasi parkir kendaraan telah ditetapkan dan berjarak sekitar 9,45 km dari lokasi titik acuan. Langkah-langkah : Masukkan data (Add data)“bogor2.tif” - pada ArcToolbox, klik Spatial Analyst Tools, pilih Surface, lalu pilih Slope - Pada Input raster, masukkan data “bogor2.tif” - pada Output raster, penamaan data adalah “Slope_bogor”, dan pada Output measurement (optional), pilih DEGREE, klik OK
Dalam kasus ini, kemiringan lereng merupakan satu-satunya kendala bagi siswa untuk mencapai wilayah tersebut.Kemiringan lereng pada jalur yang ditempuh perlu seminimal mungkin mengingat panjang jalur yang harus ditempuh.Oleh karena itu, diperlukan perhitungan lereng. Hasil yang diperoleh adalah data raster (grid) dengan warna merah menunjukkan lokasi dengan kemiringan lereng yang tinggi.Sebaliknya, warna hijau menunjukkan kemiringan lereng yang relatif lebih landai. Oleh karena fungsi kendala hanya kemiringan lereng, maka fungsi Cost-Distance hanya akan diterapkan variable kemiringan lereng saja.
Langkah – langkah : Masukkan data (Add data) “lokasi.shp” - pada ArcToolbox, klik Spatial Analyst Tools, pilih Distance - lalu pilih Cost Distance - pada Input raster or feature source data, masukkan data “lokasi.shp” - pada Input cost raster, masukkan data “Slope_bogor” Pada Output distance raster, beri nama file : cost_dist, lalu klik Save. Konfigurasi dari fungsi Cost-Distance tersebut akan menghasilkan dua data raster, yaitu distance raster dan backlink raster. Data distance menunjukkan estimasi jarak tempuh dengan mempertimbangkan kemiringan lereng. Data distance juga dapat dikonversi menjadi data iso-distance yang menunjukkan kelompok jarak tempuh yang sama dari titik acuan (warna merah).
Hasil yang diperoleh adalah data raster (grid) kemiringan lereng sebagai berikut. Warna merah menunjukkan lokasi dengan kemiringan lereng yang tinggi. Sebaliknya, warna hijau menunjukkan kemiringan lereng yang relatif lebih landai. 2.4 Cost-Path Distance Merupakan analisis yang digunakan untuk menemukan jalur biaya termurah.Pada dasarnya analisis ini menghubungkan suatu lokasi (antara asal dan parkir). Kedua data diatas (cost dan backlink) akan menjadi masukan bagi pencarian jalur optimum. Karena kedua data raster tersebut dihitung dari titik acuan (lokasi biodiversitas), maka masukan lokasi parkir perlu ditetapkan sebagai data pertama. Langkah-langkah : Masukkan data “parkir.shp” - pada ArcToolbox, klik Spatial Analyst Tools, pilih Distance, lalu pilih Cost Path - pada Input raster or feature destination data, masukkan data “parkir.shp” pada Input cost distance raster, masukkan data “cost_dist” - pada Input cost backlink raster, masukkan data “backlink1” - pada Output raster, beri nama file “costpath_park”, lalu klik OK
3. ZONAL STATISTICS Fungsi zonal statistik ini adalah untuk mengitung sebuah nilai statistik dalam masing-masing zona.Dalam analisisnya, seringkali diperlukan suatu rekapitulasi data dimana rekapitulasi data tersebut dibangun pada struktur data tertentu, seperti administrasi atau wilayah yang khas dan relative tetap serta menjadi unit wilayah pada analisis berikutnya.Praktikum ini bertujuan untuk mencari kecamatan di wilayah jawa barat bagian selatan yang ideal untuk hunian alami, dimana untuk keperluan tersebut, rataan temperature wilayah menjadi tolak ukur tunggal.Data yang digunakan adalah shapefile batas kecamatan serta raster data estimas temperature dari citra landsat TM.
Selanjutnya, melakukan analisis zonal statistic untuk menggabungkan kedua data tersebut dengan tabel rekapitulasi. Pada ArcToolBox, pilih spasial Analyst Tool – Zonal – Zonal Statistics as Table.
Masukan pertama yang diperlukan adalah shapefile polygon desa, dengan kolom Desa yang akan menjadi primary key yang akan mengaitkan data shapefile tersebut dengan tabel hasil. Perlu diingat bahwa kolom yang menjadi primary keys harus khas untuk menghindari kesalahan dalam penggabungan data. Masukan kedua adalah data raster yang
akan dihitung parameter statistiknya, dimana pada praktikum ini parameter statistik yang dihitung adalah rataan (Mean). Hasil analisis tergambar pada tabel berikut.
Tabel tersebut kemudian digabungkan dengan data asal melalui fungsi penggabungan, dengan memilih “join and relate – join. Penting diperhatikan bahwa primary key yang digunakan adalah DESA, dan perlu dispesfikasikan pada masukan nomor 1 (pada peta) dan 3 (pada tabel).
Kompleksitas hasil dapat disederhanakan melalui pemilihan simbologi pada kategori graduated colors sebagai berikut :
Hal yang menarik dari analisis zona statistik adalah dengan menggunakan data dari raster yang estimasi temperatur dari citra Landsat TM dan digabungkan dengan data shapefile batas kecamatan kita dapat mendapat data temperatur rata-rata wilayah. Data temperatur di dapat dari sumber citra Landsat TM, yang atribut dari data temperatur tersebut bisa di join dengan data shapefile batas kecamatan. Selanjutnya bisa di dapat
shapefile batas kecamatan dengan dilengkapi data temperatur rata-rata wilayah pada atributnya.
4. INTERPOLASI Interpolasi merupakan sebuah proses untuk menentukan nilai observasi di suatu tempat (titik) beradasarkan nilai observasinya. Interpolasi juga merupakan sebuah proses untuk menentukan nilai observasi disuatu tempat yang tidak disurvei berdasarkan nilai observasi dari daerah yang disurvei disekitarnya. Logika dari interpolasi spasial adalah bahwa nilai titik observasi yang berdekatan akan memiliki nilai yang sama (mendekati) dibandingkan dengan nilai di titik yang lebih jauh (Hukum geografi Tobler). Alasan mengapa interpolasi diperlukan adalah karena pada konsep spasial, semua titik pada ruang yang diamati harus terukur atau mempunyai nilai, sedangkan biasanya dalam melakukan survey, hanya menggunakan sampling (tidak semua terukur/diamati), serta dengan interpolasi dapat mengubah data yang diskrit menjadi data yang kontinu. Beberapa data yang dapat di interpolasikan antara lain data iklim (curah hujan, suhu, kelembaban), data biofisik (tanah, pH, slope, elevasi, dll), data social ekonomi (pendapatan, kepadatan penduduk, kepadatan agraris), dan sebagainya. Terdapat dua tipe interpolasi, yaitu interpolasi diskrit dan interpolasi kontinyu.Interpolasi diskrit merupakan interpolasi dengan menggunakan asumsi bahwa nilai diantara titik kontrol (diketahui nilainya) bukan merupakan nilai yang kontinyu.Sedangkan interpolasi kontinyu merupakan interpolasi dengan menggunakan asumsi bahwa nilai diantara titik kontrol yang diketahui nilainya adalah kontinyu.Metode yang termasuk dari interpolasi diskrit yaitu zero-order interpolation, Thiessen polygons, dan Dirichlet cells.Untuk metode interpolasi kontinyu yaitu invers Distance dan kriging. Dalam ilmu spasial, terdapat empat metode utama yang paling sering dimanfaatkan, yaitu inverse Distance Weight (IDW), Natural Neighborhood, Spline, dan kriging. 4.1 Invers Distance Weight (IDW) Merupakan metode yang didasarkan pada asumsi bahwa nilai atribut yang diestimasi (z) pada titik yang tidk didata adalah fungsi jarak dari nilai rata-rata titik yang berada disekitarnya. Dengan kata lain, metode ini mengasumsikan bahwa masing-masing input titik mempunyai pengaruh lokal, dimana pengaruh lokalnya akan berkurang dengan bertambahnya jarak. Bobot dari titik-titik yang lebih dekat dari titik yang diproses lebih
besar dari yang jaraknya lebih jauh.Oleh karena itu, sejumlah piksel (titik) tertentu atau semua titik dalam radius tertentu dapat digunakan untuk menentukan nilai outputnya. Inverse Distance Weighted merupakan salah satu teknik interpolasi yang sering digunakan, karena relatif mudah untuk diprogram, mudah dimengerti dan memberikan hasil yang cukup akurat (Lam, 1983). IDW memberikan bobot pada data point yang telah diketahui ketika dilakukan interpolasi. Bobot tersebut didefinisikan melalui persamaan sebagai berikut:
W(d) ialah nilai bobot yang diberikan pada suatu data point yang telah diketahui nilainya. Sementara d ialah jarak antara data point yang telah diketahui nilainya dan yang belum diketahui nilainya, p ialah faktor pengaruh dari suatu data point. Nilai dari p akan berakibat pada daerah yang bisa dipengaruhi oleh suatu data point. Ketika nilai dari p meningkat, maka daerah yang dapat dipengaruhi oleh suatu data point akan semakin kecil. Apabila kita memberikan nilai 0 pada p, maka metode interpolasinya akan menjadi suatu metode rata-rata sederhana. Biasanya nilai p telah ditetapkan untuk setiap jenis interpolasi. Rumus umum dari IDW adalah sebagai berikut:
Z adalah nilai data point dari interpolasi, dan n adalah banyaknya data point awal yang telah diketahui nilainya. Sementara Zi ialah nilai dari suatu data point. Watson dan Phillips (1985) menyebutkan beberapa keterbatasan dari IDW. Keterbatasan yang utama ialah bahwa tekhnik interpolasinya terikat pada pola sebaran sample data point. Hasil interpolasi IDW yang berbentuk radial linear dapat mengaburkan efek linear dari pegunungan atau lembah. Watson dan Phillips (1985) lalu memberikan solusi terhadap masalah tersebut, yaitu dengan cara menjadikan nilai bobot dari IDW sebagai suatu fungsi dari ketinggian juga jarak.
Hasil interpolasi tergantung dari (1) Seberapa kuat sebuah titik data yg diketahui mempengaruhi daerah di sekitarnya (ArcGIS : Power), (2) Jumlah titik di sekitarnya yang digunakan untuk menghitung rata-rata nilai, (3) Ukuran pixel/raster yang dikehendaki Langkah-langkah metode IDW dalam AcrGis: Spatial Analyst Tools – Interpolation – IDW. Input poin feature diisi oleh elevasi.
Untuk mengetahui hasil interpolasi pada suatu titik sebrang, dilakukan identifikasi titik / pixel pada wilayah yang telah ditentukan.
4.2 Spline Metode spline merupakan metode interpolasi yang biasa digunakan untuk mendapatkan nilai melalui kurva minimum antara nilai-nilai input. Metode ini juga merupakan metode yang mengestimasi nilai dengan fungsi matematika yang meminimalisir total kelengkungan permukaan.Metode ini baik digunakan dalam membuat permukaan, seperti ketinggian permukaan bumi, ketinggian muka air tanah, ataupun konsentrasi polusi udara.Secara teoritis, metode ini dapat menghasilkan hasil yang lebih logis dan cukup baik. Berbeda dengan IDW yang menekankan pada pemecahan yang bersifat linier, metode spline memiliki fleksibilitas, termasuk mendesain persamaan umum yang akan digunakan dalam melakukan rektifikasi.
Langkah – langkah : Spatial Analyst Tools – Interpolation - Spline
Berdasarkan perbandingan kedua metode yang telah dilakukan, terlihat beberapa kelebihan dan kekuragan dari kedua metode tersebut. Kelebihan dari metode IDW adalah karakterstik interpolasi dapat dikontrol dengan membatasi titik-titik masukan yang digunakan dalam proses interpolasi. Titik-titik yang terletak jauh dari titik sample dan yang diperkirakan memiliki korelasi spasial yang kecil atau bahkan tidak memiliki korelasi spasial akan dihapus dari perhitungan. Titik-titik yang digunakan dapat ditentukan secara langsung atau ditentukan berdasarkan jarak yang akan diinterpolasikan. Metode ini juga menggunakan komputasi yang relatif mudah.Namun, kekurangan dari model ini adalah
tidak dapat mengestimasi nilai di atas dan di bawah nilai minimum dari titik sampel.Efek yang terjadi jika interpolasi IDW diaplikasikan pada elevasi permukaan adalah terjadinya perataan (flattening) puncak dan lembah, kecuali jika titik – titik tertinggi dan terendah merupakan bagian dari titik sampel. Oleh karena nilai estimasi merupakan nilai rata-rata, hasil permukaan tidak akan tepat melewati titik sampel. Untuk metode spline, kelebihannya adalah berkemampuan untuk menghasilkan akurasi permukaan yang cukup baik walaupun data yang digunakan hanya sedikit, relatif lebih fleksibel dari segi kenampakkannya.Namun kekurangan metode ini adalah ketika titik – titik sampel yang berdekatan memiliki perbedaan nilai yang sangat besar, metode ini tidak dapat bekerja dengan baik.Hal ini disebabkan karena metode spline menggunakan perhitungan slope yang berubah berdasarkan jarak untuk memperkirakan bentuk dari permukaan.Selain itu, hasil pengolahan dengan spline menghasilkan angka yang negatif yang menunjukkan tempat tersebut berada dibawah permukaan air, yang pada kenyataannya tidaklah demikian.
HASIL
Peta Pusat Penyebaran RTH Pohon Kota Bogor Tahun 2009
Peta Distribusi Sebaran RTH Pohon Kota Bogor Tahun 2009
Peta Kerapatan Titik Pohon Kawasan RTH Pohon Kota Bogor Tahun 2009
Peta Efek Polusi Suara Kota Bogor
Peta Efek Polusi Suara Kota Bogor Secara Kontinu
Peta Jalur Perjalanan Hutan Tropika
Peta Jalur Perjalanan Hutan Tropika
Peta Interpolasi Metode IDW
Peta Interpolasi Metode Spline
KESIMPULAN Sistem Informasi Geografis (SIG) adalah sistem basis data yang bersifat spasial. Dengan kemampuannya, SIG dapat membantu mempermudah proses pemilihan alternative keputusan. Hal ini dimungkinkan karena SIG mempunyai kemampuan untuk memproses dan menganalisa data dengan cepat namun tidak semua metode dapat menghasilkan informasi dengan baik. Maka dalam hal ini juga mengindikasikan pentingnya pengetahuan lapangan dalam permodelan spasial.
DAFTAR PUSTAKA Barus, Baba dan U.S. Wiradisastra. 2000. Sistem Informasi Geografi Sarana Manajemen Sumberdaya. Laboratorium Penginderaan Jauh dan Kartografi. Jurusan Tanah. Fakultas Pertanian IPB. Bogor.
Pasaribu, Junita Monika dan Nanik Suryo Haryani. Perbandingan Teknik Interpolasi DEM SRTM dengan Metode Invers Distance Weight (IDW), Natural Neighbor dan Spline. [Jurnal Penginderaan Jauh, Lapan].
Prahasta, E. 2011. Tutorial ArcGIS Dekstop Untuk Bidang Geodesi dan Geomatika. Informatika Bandung.
