View
225
Download
0
Category
Preview:
Citation preview
1
Pemodelan Lahan Kritis Berbasis Spasial Temporal
Menggunakan G-Statistik
Studi Kasus : Kabupaten Boyolali
Artikel Ilmiah
Peneliti :
Erick Budi Kurniawan (672010092) Dr. Sri Yulianto J. Prasetyo, S.Si., M.Kom.
Kristoko Dwi Hartomo, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Agustus 2014
2
3
4
5
6
7
Pemodelan Lahan Kritis Berbasis Spasial Temporal
Menggunakan G-Statistik
1 )
Erick Budi Kurniawan 2 )
Sri Yulianto Joko Prasetyo 3 )
Kristoko Dwi Hartomo
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jalan Diponegoro 52-60, Salatiga 50771, Jawa Tengah, Indonesia
Email : 1)ericbudi.kurniawan@gmail.com, 2)sriyulianto@gmail.com, 3)
Abstract
Indonesia as an agricultural country should pay attention to natural resources as a valuable
asset and should be considered sustainability. Over the land each year often leads to productive
agricultural land. Thus cause the occurrence of degraded land in each region, in order to avoid
the government's rehabilitation, land conservation and other critical land improvement, but it is
less effective government attempts because the maps have not been equipped with the critical
area calculation method, the use of GIS and also the calculation G * Statistic then degraded
land generated maps can be accessed using the Internet network, but also can diketahu any area
that has the effect of land kekeritisan with other areas, so the government can make efforts more
effective and efficient in performing rehabilitation and conservation.
Abstrak
Indonesia sebagai negara agraris harus memperhatikan sumberdaya alam sebagai aset yang
sangat berharga dan harus diperhatikan kelestariannya. Alih fungsi lahan setiap tahun sering
mengarah pada lahan pertanian yang produktif. Sehingga menyebakan terjadinya lahan kritis
pada masing-masing daerah, untuk menghindari ini pemerintah melakukan rehabilitasi,
konservasi lahan dan juga perbaikan lahan kritis yang lain, namun upaya pemerintah dirasa
kurang efektif dikarenakan peta lahan kritis belum dilengkapi dengan metode perhitungan,
dengan menggunakan GIS dan juga perhitungan G* Statistic maka peta lahan kritis yang
dihasilkan bisa diakses menggunakan jaringan internet namun juga bisa diketahu daerah mana
saja yang memiliki tingkat pengaruh kekeritisan lahan dengan daerah lainnya, dengan demikian
pemerintah bisa menempuh upaya yang lebih efektif dan efisien dalam melakukan rehabilitasi
dan konservasi lahan.
1) Mahasiswa Fakultas Teknologi Informasi Jurusan Teknik Informatika, Universitas Kristen
Satya Wacana Salatiga.
2) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga.
3) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga.
8
1. Pendahuluan
Adanya lahan-lahan kritis umumnya disebabkan oleh kegiatan yang secara langsung
menyebabkan rusaknya daya dukung tanah/lahan. Antara lain pemanfaatan lereng bukit
yang tidak sesuai dengan kemampuan dan peruntukannya, lahan pertanian yang tidak
menerapkan teknologi konservasi, bahkan tidak sedikit yang berubah fungsi menjadi areal
permukiman. Tingginya lahan kritis sangat beresiko pada terjadinya kerusakan lingkungan
yang lebih kompleks. [1]
Upaya penanganan lahan kritis yang telah dilakukan selama ini telah membawa hasil,
akan tetapi tampaknya hasil yang diperoleh tidak sebanding dengan kecepatan
berkembangnya kerusakan lahan kritis yang terjadi. Salah satu faktor penyebab dari proses
terjadinya lahan kritis yaitu adanya tekanan penduduk untuk memanfaatkan lahan sebagai
usaha budidaya pertanian yang diusahakan dengan tidak memperhatikan prinsip pengelolaan
lahan kritis lahan dan sumber daya air.
Dengan bantuan Sistem Informasi Geografi, pemerintah dapat menyebarkan informasi
mengenai lahan kritis ke masyarakat dengan lebih efektif dan efisien sehingga diharapkan
peran serta dan kesadaran dari masyarakat mengenai lahan kritis menjadi meningkat, dengan
menggunakan metode G*-statistik maka peta yang dihasilkan tidak hanya memberikan
pesebaran mengenai lahan kritis, namun juga dapat memberikan informasi tambahan berupa
hubungan atau keterikatan antar daerah, sehingga hasil perhitungan dari metode G*-Statistik
ini bisa digunakan sebagai acuan pemerintah menangani lahan kritis secara lebih efektif dan
efisien.
Tujuan dan manfaat dari penelitian ini, diharapkan penyebarluasan informasi mengenai
lahan kritis menjadi lebih cepat dan aktual, sedangkan metode G*-Statistik diharapkan dapat
membantu pemerintah dalam mempercepat penanggulangan lahan kritis melalui konservasi
dan rehabilitasi lahan dimulai dari daerah yang memiliki nilai keterhubungan paling tinggi
dibandingkan dengan daerah sekitarnya, dengan demikian efektifitas dan efesiensi
penanggulangan lahan kritis meningkat.
9
2. Kajian Pustaka
Penelitian yang dilakukan Debby Iriani (2011) mengenai Model Spasial Klasifikasi
Wilayah Resiko Demam Berdarah Dengue (DBD) Menggunakan Fungsi Gi* Statistik,
penelitian terdahulu ini memiliki persamaan pada penggunaan metode perhitungan
menggunakan Gi* Statistik guna pencarian hostpot/pola dan ditampilkan dalam
pemetaan. Pada penelitian terdahulu penulis membahas mengenai persebaran demam
berdarah pada wilayah solo, dengan cara membandingkan faktor-faktor mengenai
masalah kependudukan seperti kepadatan penduduk, mobilitas penduduk, jender, mata
pencaharian dan tingkat pendidikan serta perilaku. Dalam penelitian ini sang penulis
mengeksplorasi pola spasial menggunakan data dari tahun 2001 sampai dengan 2006
menggunakan metode analisis spasial pada SIG. penelitian ini juga menggunakan metode
Gi* statistik dari Getis dan Ord, nilai autokorelasi spasial Gi* statistic rentang +2 dan -
2.[2]
Data Spasial mempunyai pengertian Sebagai suatu data yang mengacu pada posisi,
objek dan hubungan diantaranya dalam ruang bumi. Data spasial merupakan salah satu item
dari informasi mengenai perairan, dan daratan.
Sebagian besar data spasial ditangani dalam bentuk sistem informasi geografi (SIG).
data tersebut berorientasi geografis, memiliki sistem koordinat dan sebagai dasar
referensinya mempunyai dua bagian penting yang membuatnya berbeda dari data lain, yaitu
informasi lokasi (spasial) dan informasi deskriptif (attribute) yang dijelaskan berikut ini :
1. Informasi lokasi (spasial), berkaitan dengan suatu koordinat baik koordinat geografi
(lintang dan bujur) dan koordinat XYZ, termasuk diantaranya informasi data penduduk,
persebaran penduduk, tingkat kemiskinan, daerah rawan banjir, daerah rawan kekeringan,
saluran drainase kota, moda transportasi kota, dan sebagainya.
2. Informasi deskriptif (attribut) atau informasi non spasial adalah suatu lokasi yang
memiliki beberapa keterangan yang berkaitan dengan informasi deskritif, contohnya : jenis
vegetasi, populasi, luasan, kode pos, dan sebagainya.
10
Pada pemanfaatannya data spasial yang diolah dengan menggunakan komputer(data
spasial digital) menggunakan model sebagai pendekatannya. Economic and Social
Comminssion for Asia and the Pasific (1996), mendefinisikan model data sebagai suatu set
logika atau aturan dan karakteristik dari suatu data spasial. Model data merupakan
representasi hubungan antara dunia nyata dengan data spasial.
Terdapat dua model dalam data spasial, yaitu model data raster dan model datavektor.
Keduanya memiliki karakteristik yang berbeda, selain itu dalam pemanfaatannya tergantung
dari masukan data dan hasil akhir yang akan dihasilkan. Model data tersebut merupakan
representasi dari obyek-obyek geografi yang terekam sehingga dapat dikenali dan diproses
oleh komputer. Chang (2002) menjabarkanmodel data vektor menjadi beberapa bagian lagi
(dapat dilihat pada Gambar 1.1).
Gambar 1.1. Klasifikasi model data spasial
Data spasial yang berkembang besar dan canggih mempunyai kemampuan untuk
visualisasi dan manipulasi di Sistem Informasi Geografi (SIG), menciptakan permintaan
sebuah teknik baru untuk analisis data spasial pada eksplorasi dan sebuah penerimaan
gambar (Anselin & Getis, 1992). Statistik lokal yang berpusat pada asosiasi pola spasial lokal
(hotspot), disebut Local Indicators of Spasial Association (LISA), ide dari statistik ini adalah
semua hal yang saling berkaitan dengan events berbeda. Pengukuran global dari autokorelasi
spasial untuk semua studi area menggunakan penjumplahan rata-rata. Untuk mendeteksi
11
hotspot, pengukuran dengan statistik lokal memiliki kuantitas variasi pada autokorelasi
spasial (Tobler, 1965).
Pengukuran asosiasi spasial oleh Gtis dan Ord (1992), berdasarkan definisi dari sebuah
tetangga tiap lokasi dari observarsi dari sebuah jarak d. Metode Gi* statistic z(Gi) dari Getis
dan Ord merupakan metode yang membantu mencari lokasi hotspot,hotspot ini berguna
dalam menentukan nilai dari tetangga–tetangga yang berdekatan dengan titik panas (hotspot)
tersebut. Penentuan indikator suatu wilayah dikatakan ekstrim tinggi hingga sangat rendah
tergantung dari nilai z(Gi), dimana z(Gi) > 2 artinya ada hubungan lokal nilai positif
signifikan, sedangkan apabila z(Gi) < -2 mengidetifikasikan bahwa nilai keterkaitan sangat
kecil atau rendah.
Adapun Rumus Fungsi Gi* Statistik dari Getis dam Ord,
𝑧 𝐺𝑖 = 𝑤𝑖𝑗 𝑥𝑗 − 𝑥 𝑤𝑖𝑛
𝑗 =1
𝑠2
𝑛 − 1(𝑛 𝑤𝑖𝑗
2𝑛𝑗=𝑖 − 𝑤𝑖
2)
(sumber : Scrucca, Luca, 2005)
Dimana,
Z(Gi) : Nilai local Indicator Spatial Autocorrelation – Getis and Ord.
𝑤𝑖𝑗𝑥𝑗 : Jumlah kasus pada tetangga.
n : Jumplah area yang berdekatan dengan hotspot.
Wi : Jumplah tetangga antar wilayah studi dengan tetangga terdekatnya.
S2
: Varience / perbedaan anat i (sites).
Wi : 𝑗𝑤𝑖𝑗 ,𝑋
= 𝐼𝑋𝐼/𝑛
S2
: (𝑥𝑖 − 𝑥
)2/𝑛𝑖
12
Berdasarkan perhitungan dengan rumus Gi* statistik maka pada data tatagunalahan
memunculkan pola spasial autokorelasi antar wilayah.
3. Metode Penelitian
Metode yang digunakan dalam penelitian ini adalah metode kuantitatif, metode kuantitatif
adalah penelitian ilmiah yang sistematis terhadap bagian-bagian dan fenomena serta
hubungan-hubungannya (Jonatan Sarwono, 2006). Dengan menggunakan metode kuantitatif
diharapkan data yang ada menjadi lebih bermakna dan kredibel sehingga tujuan dari
penelitian ini bisa dicapai. Tahapan penelitian kuantitatif dibagi menjadi 6 yaitu :
1. Tahap Studi Literatur.
Kegiatan pada tahapan ini adalah merumuskan suatu masalah, lalu melakukan studi
pustaka sebagai analisa dasar dan penyusunan hipotesa.
2. Tahap Analisa Penelitian.
Pada tahapan ini peneliti menentukan metode yang digunakan sesuai dengan rumusan
masalah yang telah dilakukan pada tahapan sebelumnya.
3. Tahap Pengumpulan Data.
Pada tahap ini peneliti melakukan pengumpulan data yang akan diolah, pada studi
kasus ini, peneliti mengumpulkan data mengenai wilayah dari kabupaten boyolali, data
produktifitas padi dan jagung, data manajemen hutan, data tingkat lereng, data jenis
bebatuan pada wilayah boyolali, serta data tingkat erosi provinsi jawa tengah.
4. Tahap Analisa Sistem dan Implemtasi.
Pada tahapan ini peneliti melakukan analisis lebih jauh mengenai sistem yang
dibangun semisal merancangan database, alur progam, pengaturan dari konfigurasi
yang dibutuhkan sistem serta analisis dari output sistem.
5. Tahap Perhitungan dan Analisis Hasil Implemtasi
Pada tahap ini peneliti melakukan analisis perhitungan secara manual, serta
membandingkannya dengan hasil output dari progam, serta melakukan analis secara
keseluruhan dari data-data yang dihasilkan.
6. Penulisan Laporan.
Pada tahap ini peneliti menuliskan laporan berupa jurnal dari hasil penelitian yang
telah dihasilkan.
13
Alur pemodelan pada tahapan penulisan dapat dilihat pada gambar 2.1.
Gambar 2.1.
Kegiatan penelitian ini dimulai dengan melakukan tahap studi literature untuk mencari bahwa
topik yang akan diteliti belum pernah diteliti sebelumnya dan dapat diterapkan, dalam tahapan
ini terdapat beberapa kegiatan yaitu pengidendifikasian masalah, studi pustaka penelitian
terdahulu dan penyusunan hipotesa. Pada tahapan ini peneliti medapatkan hipotesa lahan kritis
yang ada diboyolali memilik ciri yang mirip antara wilayah kecamatan yang satu dengan
kecamatan yang lain, semisal kekeritisan lahan antar kecamatan diwilayah boyolali karena
kurangnya manajemen hutan. Hipotesa yang telah disusun selanjutnya di identifikasi dengan
menggunakan metode G*-Statistik sehingga hubungan antar wilayahnya dapat di hitung.
Data primer yang akan diolah dalam penelitian ini meliputi, data mengenai luas wilayah
kabupaten boyolali, luasan wilayah hutan boyolali, produktifitas padi di wilayah boyolali, tingkat
lereng di boyolali, dan juga jenis bebatuan daerah boyolali. Sedangkan data skunder yang
diperlukan antara lain data artikel-artikel ilmiah dari penelitian terdahulu maupun buku-buku
pendukung yang terkait dengan penelitian. Tahap selanjutnya adalah analisa kebutuhan sistem
guna mendokumentasikan kebutuhan minimum, maupun mencari kelemahan sistem pendukung
yang akan digunakan untuk merancang sistem yang baru.
14
Setelah semua data didapatkan, maka tahap selanjutnya adalah mengolah data-data yang sudah
ada dengan menggunakan metode G-Statistik kemudian implemtasi pada progam. Dalam
pemodelan sistem informasi geografi ini model proses yang digunakan adalah model prototype.
Prototype merupakan metodologi pengembangan software yang menitik-beratkan pada
pendekatan aspek desain, fungsi dan user-interface. Developer dan user fokus pada user-
interface dan bersama-sama mendefinisikan spesifikasi, fungsi, desain dan bagaimana software
bekerja. Developer dan user bertemu dan menentukan tujuan umum, kebutuhan yang diketahui
dan gambaran bagian-bagian yang akan dibutuhkan. Developer mengumpulkan detail dari
kebutuhan dan memberikan suatu gambaran dengan cetak biru (Prototype).[4]
Gambar 3.1 Metode Prototype (Pressman, 2007)
Pada Gambar 3.1, didapatkan alur kerja serta tahapan dalam implementasi program dengan
menggunakan metode Prototype. sistem yang dibangun telah melewati 3 (tiga) proses
perancangan dengan 4 (empat) tahapan Prototype. Proses tersebut diuraikan pada Tabel 1.
Prototype Deskripsi Revisi
Prototype Pertama Menghasilkan sebuah sistem
dimana PHP Mapscript yang
berfungsi untuk menampikan
data yang sudah ada kedalam
bentuk perta
Penambahan User Interface
sebagai tampilan awal
sehingga data yang
ditampilkan tidak hanya dalam
berbentuk peta, namun juga
secara tulisan dan grafik.
15
Prototype Kedua sistem sudah dapat
menampilkan informasi-
informasi mengenai wilayah
boyolali secara aktual melalui
website
Penambahan halaman
administrator, sehingga
memudahkan user untuk
memperbaharui data pada
website.
Prototype Ketiga sistem sudah dapat melakukan
perhitungan g statistik
Menampilkan data/nilai g
statististik berupa peta, table
dan grafik.
Prototype Keempat sudah menghasilkan sebuah
sistem informasi geografis
yang sesuai dengan kebutuhan
dilengkapi dengan tampilan
peta dan juga data g statistik
berupa tabel dan grafik
-
Tabel 1 Prototype Sistem Aplikasi
Diagram UML (Unified Modeling Language) yang digunakan dalam merancang sistem terdiri
dari use case diagram, dan class diagram. Pada use case diagram, user yang dimempunyai hak
akses hanyalah seorang administrator yang ditunjuk untuk dapat melakukan pembaharuan atau
penambahan data. User selain administrator (guest) dapat langsung mengakses halaman web
tanpa harus melalui pendaftaran.
Manajemen Data
LogoutUserAkses Halaman Web
Admin
Publikasi Manajemen AdminLogin Sistem
<<include>>
<<include>>
<<include>>
<<include>>
16
Gambar 3.2 Use Case Diagram Sistem
Gambar 3.2 menjelaskan bahwa administrator memiliki hak akses untuk mengakses
halaman web, halaman peta dan fungsi untuk membaharui data, sedangkan Guest atau user selain
administrator hanya dapat mengakses informasi yang terdapat pada halaman web dan peta.
Activity diagram menggambarkan proses-proses yang terjadi pada sebuah aktifitas mulai dari
awal mula aktifitas tersebut dimulai hingga aktifitas tersebut berhenti. Gambar 3.3 menjelaskan
proses aktifitas yang dimiliki oleh administrator.
Gambar 3.3 Activity Diagram Sistem Informasi Geografi
Activity diagram yang tergambar pada Gambar 3.3 menjelaskan proses aktifitas yang
terjadi pada administrator dengan sistem. Proses ini dimulai dengan melakukan proses login
terlebih dahulu. Setelah sistem mengenali user yang masuk sebagai administrator, user dapat
melalukan pembaharuan data yang nantinya akan ditampilkan pada peta. Proses dimulai ketika
administrator memberikan data kepada server yang kemudian secara sistem dihitung dan hasil
perhitungan tersebut dijadikan parameter sebagai variabel-variabel peta yang nantinya akan
ditampilkan halaman utama website.
StartLogin
Valid?
Tidak
Halaman
Administrator
Valid
Update
Data
Logout
Selesai
Draw Data
SISTEMAdmin
17
Metode G-statistik dapat diubah menjadi sebuah fungsi pada bahasa pemograman PHP dengan
demikian memudahkan pengembang untuk membuat Sistem informasi Geografi yang
terintegrasi dengan perhitungan G*-Statistik. Uraian Algoritma dari proses perhitungan metode
G*-Statistik yaitu :
a. Tentukan semua nilai wij, atau semua jumplah tetangga, Kemudian semua jumplah
tetangga di kuadratkan sehingga menghasilkan nilai w2ij.
b. Jumplah perhitungan dari semua nilai wij dan w2ij, menghasilkan 𝑤𝑖𝑗 n
𝑗=1 dan
𝑤2𝑖𝑗 n
𝑗 =1.
c. Hitung nilai xj, nilai xj adalah nilai dari variable yang akan diteliti, missal : luas wilayah,
nilai xj ini kemudian dikuadratkan menjadi xj2, jumlah semua kudrat nilai xj akan
menghasilkan 𝑥2𝑗 n
𝑗 =1.
d. Hitung nilai 𝑥 yaitu adalah semua nilai sample yang akan diteliti dibagi dengan semua
jumlah sample yang diteliti.
e. Nilai 𝑥 kemudian di kalikan dengaan 𝑤𝑖𝑗 n𝑗=1 .
f. Akar dari n( 𝑤2𝑖𝑗 n
𝑗 =1) dikurangi dengan ( w𝑖𝑗 )
n
𝑗 =1
2dibagi dengan n-1
g. Akar dikalikan dengan nilai S, nilai S adalah akar dari 𝑤2𝑖𝑗
n
𝑗=1
𝑛− (𝑥 )2
Perhitungan dari kelas G*- Statistik akan menghasilkan nilai index gini berkisar -2 sampai
dengan -2.
4. Hasil dan Pembahasan
Analisis dari perhitungan metode G*-Statistik menghasilkan hubungan antara setiap wilayah
dengan wilayah lainya membentuk sebuat hotspot dan menghasilkan nilai keterhubungan antara -
2 sampai dengan 2. Data atau parameter yang digunakan dalam pemodelan lahan kritis pada
wilayah boyolali adalah lahan :
Perhitungan pada parameter produktivitas boyolali menggunakan data-data yang ada
menghasilkan nilai G*-Statistik yang berbeda-beda antara setiap wilayah kecamatan
dengan rentang nilai -2 sampai dengan 2. Berikut adalah salah satu contoh perhitungan
G*-Statistik pada wilayah Selo.
18
Wilayah Selo :
Kecamatan Jmp_tetangga kuadrat produktivitas kuadrat Jmp_tetangga x
produktifitas
Selo 3 9 26 676 78
Ampel 3 9 5588 31225744 16764
Cepogo 4 16 491 241081 1964
Musuk 4 16 3721 13845841 14884
Total 14 50 9826 45313342 33690
Wij = 14
W2ij = 50
Xj = 9826
Xj2= 45313342
𝑋 = 9826 / 4 = 2456,5
𝑋 . Wij = 34391
𝑛 𝑊2𝑖𝑗𝑛
𝑗 =1 − W𝑖𝑗𝑛𝑗 =1
2
𝑛 − 1
4 × 50 − 14 2
4 − 1
200 − 196
3
4
3
= 1.154
Kemudian kita mencari nilai S
S = 𝑥2𝑗𝑛
𝑗=1
𝑛− 𝑥 2
S = 45313342
4− 6034392.25
S = 11328335.5 − 6034392.25
S = 5293943.25
19
S = 2300.85
𝑆 × 𝑛 𝑊2𝑖𝑗𝑛
𝑗=1 − W 𝑖𝑗𝑛𝑗=1
2
𝑛−1
2300.85 × 1.154 = 2656.8
G*-Statistik = 33690 × 34391
2656 .8
G*-Statistik = −701
2656.8
G* Statistik = -0.2638
Sedangkan grafik dibawah adalah hasil perhitungan G*-Statistik untuk semua wilayah
kecamatan pada kabupaten boyolali.
5. Simpulan
Berdasarkan Metode G*-Statistik, analisa yang didapatkan cukup akurat dengan batas nilai G*-
Statistik antara -2 sampai dengan 2, dari perhitungan diatas dapat disimpulan bahwa wilayah
kecamatan Selo berada dalam kategori agak kritis ditunjukan dengan nilai yang didapat -0.26,
dan wilayah selo memiliki keterhubungan yang kecil dengan wilayah lain disekitar selo,
ditujukan dengan nilai negatif, jika dibandingkan dengan data yang asli maka dapat dikatakan
bahwa wilayah selo ini memang termasuk wilayah yang agak kritis dikarenakan secara geografis
berbatasan langsung dengan wilayah kota magelang yang memiliki resiko tinggi terhadap erosi,
lalu ditambah dengan produktifitas wilayah selo yang relatif lebih kecil dibanding wilayah lain
diboyolali.
20
6. Dftar Pustaka
[1] R, Andriana. 2007. Evaluasi kawasan lindung dataran tinggi Dieng Kabupaten
Wonosobo. eprints.undip.ac.id
[2] Iriani, Debby, 2011. Pemodelan Spasial Klasifikasi Wilayah Resiko Demam Berdarah
Dengue (DBD) Menggunakan Fungsi Gi* Statistik, Informatika, salatiga : Progam Studi
Teknik Informatika Fakultas Teknlogi Informasi Universitas Kristen Satya Wacana.
[3] Walker, dkk (2003). Marketing Strategy A Decision Focused Approach, 4th Edition, The
McGraw – Hill Companies, New York.
Recommended