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 Jalur Perjalanan Hutan Tropika

Peta Efek Polusi Suara Kota Bogor Secara Kontinu

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.