Terapan GIS dalam Era

Internet of Things (IoT)

Oleh :
Agus Santoso Budiharso

Disampaikan pada Kuliah Pakar

Dunia Usaha Dunia Industri
PRODI PENDIDIKAN GEOGRAFI
JURUSAN ILMU DAN TEKNOLOGI KEBUMIAN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI GORONTALO
25 Mei 2021
TOPIK BAHASAN
1. Pengertian Singkat IoT
2. Pemaanfatan Data Geospasial untuk
Pemetaan Tingkat Kerawanan Covid-19
3. Pemetaan Banjir Metode Topographic
Wetness Index dengan ArcGIS
Pengertian IoT ?
Internet of Things, atau IoT, mengacu pada miliaran perangkat fisik di seluruh dunia yang sekarang terhubung ke
internet, semuanya mengumpulkan dan berbagi data.

Ada dua komponen utama Internet of Things.

1. Objek atau "benda" yang ingin Anda jadikan pintar dengan
menyediakan konektivitas.
2. Sistem tertanam yang menyediakan konektivitas ini. Sistem ini
melibatkan sistem yang kompleks yang mungkin terdiri dari beberapa
sensor, aktuator, protokol, lapisan manajemen data, dan banyak lagi.

Keterkaitan semua ini bertanggung jawab untuk membuat objek dapat

diprogram, cerdas dan mampu berinteraksi satu sama lain serta manusia.

Termasuk pengumpulan data geospasial di lapangan secara real time,

menggunakan sensor-sensor yang terhubung ke jaringan internet
Internet of Things (IoT) adalah penggunaan berbagai sensor dan
perangkat dengan pengenal unik yang dapat mengirimkan informasi
tentang objek atau orang melalui jaringan dengan data tersebut tidak
memerlukan interaksi manusia-ke-manusia atau manusia-mesin.

IoT spasial memberikan informasi lokasi dan waktu yang unik bersama
dengan data lain tentang item yang dipantau. Apa yang membuat IoT dan
IoT spasial berguna adalah sifat sensor yang berbiaya rendah dan bahwa
sensor ini dapat digunakan secara real-time. Dengan menghubungkan
sensor di rumah, bisnis, dan lokasi lainnya, maka perusahaan, peneliti,
dan lainnya dapat memiliki kemampuan untuk melacak berbagai
informasi secara real-time dan menerapkan operasi spasial yang berbeda.
 Informasi Geospasial dalam Era Industri 4.0

Maps

Data

Smart Objects

Visuali-
Analytics
sation

Change is our currency !

Ref: Ordnance Survey, 2019

Ref: Geospatial Media and Communications, 2018

Sumber : Badan Informasi Geospasial, 2021


Dengan era IoT ini data-data
spasial yang tersebar di berbagai
tempat, lokasi dan juga instansi
dengan mudahnya bisa diakses
untuk berbagi pakai, untuk
berbagai keperluan analisa yang
muaranya adalah untuk
pengambilan keputusan
Badan Informasi Geospasial
http://portal.ina-sdi.or.id/arcgis/rest/services
https://portal.ina-sdi.or.id/gis/rest/services
http://geoservices.ina-sdi.or.id/ArcGIS/rest/services/
http://partmapservices.ina-sdi.or.id/arcgis/rest
http://geoservice.bakosurtanal.go.id/arcgis/rest/services
http://geoservices.big.go.id/arcgis/rest/services
http://petadesa.big.go.id:6080/arcgis/rest/services/IGT_Perdesaan
Lembaga Penerbangan dan Antariksa Nasional (LAPAN)
https://gis.pusfatja.lapan.go.id/arcgis/rest/services
http://116.66.201.53/ArcGIS/rest/services
http://geoportal.lapan.go.id:6080/arcgis/rest/services
http://202.43.161.180/arcgis/rest/services/
http://spbn.pusfatja.lapan.go.id
Badan Pusat Statistik
https://sig.bps.go.id/maps/rest/services
Kementerian ESDM
http://geoportal.esdm.go.id/monaresia/sharing/rest
http://gisportal.esdm.go.id
http://203.189.89.41:6080/arcgis/rest/services
 Pemanfaatan Data Geospasial
Pembangunan Berkelanjutan (SDG)
LOKASI: Konektor antara data-data
Sosial, Ekonomi dan Lingkungan.
Integrasi data
Spasial dan Statistik untuk
pencapaian Tujuan, Target
dan Indikator
Pembangunan
Berkelanjutan
(SDG)”
Ref: UN-GGIM (2018)

Tanpa atribut LOKASI, data dan informasi secara

umum menjadi kerap kurang bermakna dan
menyulitkan pengambilan keputusan.
Sumber : Badan Informasi Geospasial, 2021
Pengertian GIS
GIS is Computer based systems that are used to store and manipulate geographic
information (Aronoff, 1991)
GIS A computer system capable of holding and using data describing places on the
earth’s surface (ESRI, 1995)
SIG adalah kumpulan yang terorganisir dari perangkat keras computer, perangkat
lunak, data geografi dan personil yang dirancang untuk memperoleh menyimpan,
memperbaiki, memanipulasi, menganalisis dan menampilkan semua informasi yang
berreferensi geografi. (Dari berbagai sumber buku dan bacaan)
SIG adalah suatu sistem yang mengkombinasikan antara ilmu computer dengan ilmu
Geografi pada suatu area, lingkungan dan segala bentuk fenomena dipermukaan bumi
(Erna Kurniati dkk., 2016). Salah satu bentuk fenomena sabagai contoh adalah
fenomena bencana alam
Data Geospasial yang selanjutnya disingkat DG adalah data tentang lokasi geografis, dimensi atau
ukuran, dan/atau karakteristik objek alam dan/atau buatan manusia yang berada di bawah, pada, atau di atas
permukaan bumi. Data Geospasial juga bisa menggambarkan kondisi/sebaran apa saja seperti sebaran Covid 19
SEKTOR PEMERINTAH DAN BISNIS
BERBAGAI Aplikasi SIG
❖ PLN
❖ TELKOM
❖ Inventarisasi Landuse
❖ TRANSPORTASI
❖ Zoning
❖ PERTAMBANGAN
❖ Transportasi
❖ PDAM
❖ Perencanaan secara umum
❖ PEMDA KOTA KABUPATEN
❖ Perencanaan Fasilitas dan utilitas kota
❖ DINAS KEHUTANAN
❖ Pemetaan Persil tanah Perkotaan
❖ DINAS PERTANIAN
❖ Pemetaan Census
❖ DINAS TATA KOTA
❖ Penentuan Tapak Site
❖ DINAS PU
❖ Studi Lingkungan
❖ BPN
❖ Management Daerah Aliran Sungai
❖ PAJAK BUMI DAN BANGUNAN
❖ Management Wilayah Pantai dll
❖ DINAS LINGKUNGAN
❖ PEMETAAN KEMISKINAN
❖ MILITER /POLISI
❖ Pemetaan Rawan Kejahatan (Crime Mapping)
❖ DINAS KESEHATAN
❖ dll
❖ DINAS KEPENDUDUKAN DAN CAPIL
❖ DINAS SOSIAL
❖ BADAN PENANGGULANGAN BENCANA
 Peranan SIG di Pada dalam Pengelolaan Bencana
Prabencana

Peta Rawan Mitigasi Kerusakan

Bencana

Kegiatan Pembaharuan
Geodatabase Geodatabase
Infrastuktur Pemulihan
Infrastuktur

BENCANA ALAM Peta Kerusakan

Infrastuktur
Sebaran Bencana

Saat bencana
Pemaanfatan Data Geospasial untuk
Pemetaan Tingkat Kerawanan Covid-19
Latar Belakang
Pandemi Covid-19 telah menyebar di seluruh dunia,
tidak ketinggalan juga sudah memasuki ruang-ruang
yang ada di Manado ini. Dari 11 Kecamatan, sudah 10
Kecamatan terpapar Covid-19 ini. Pertanyaannya
Apakah Wilayah Manado ini Rawan Penyebaran Covid-
19? Untuk menjawabnya maka diperlukan serangkaian
analisis yang mendalam.
Kondisi Kota Manado
Jumlah Penduduk
No. KEC TOTAL PDD P L
1 BUNAKEN 26089 12719 13370
2 BUNAKEN KEPULAUAN 6686 3296 3390
3 MALALAYANG 67138 33246 33892
4 MAPANGET 63690 31631 32059
5 PAAL DUA 47600 23598 24002
6 SARIO 24036 12020 12016
7 SINGKIL 56135 27891 28244
8 TIKALA 33062 16290 16772
9 TUMINTING 56672 28143 28529
10 WANEA 65443 32447 32996
11 WENANG 35997 17937 18060
TOTAL 482548 239218 243330

Jumlah Kecamatan : 11
Jumlah Kelurahan : 87
Luas Kota Manado 15726 Ha
Kondisi Covid Manado
 R = H x V/C
R : Risiko Bencana
H : Ancaman (Hazard), adalah suatu kejadian yang mempunyai potensi untuk menyebabkan terjadinya
kecelakaan, cedera, hilangnya nyawa atau kehilangan harta benda
V : Kerentanan (Vulnerability), adalah rangkaian kondisi yang menentukan apakah bahaya (baik bahaya alam
maupun bahaya buatan) yang terjadi akan dapat menimbulkan bencana (disaster) atau tidak
C : Kapasitas (Capacity), adalah kapasitas yang tersedia untuk pemulihan kembali setelah terjadi bencana

Sumber : Peraturan Kepala Badan Nasional Penanggulangan Bencana Nomor 02 Tahun 2012 Tentang Pedoman Umum
Pengkajian Risiko Bencana

Tingkat Risiko adalah perbandingan antara Tingkat Kerugian dengan Kapasitas Daerah
untuk memperkecil Tingkat Kerugian dan Tingkat Ancaman akibat bencana.
Ancaman Bahaya yang dipertimbangkan dalam pemetaan Risiko Covid 19 ini
berupa : Kasus Covid (Positiv, PDP, ODP); Pusat-Pusat Transportasi (terminal,
bandara, Pelabuhan); Tempat Ibadah (masjid, gereja, pura, klentheng, vihara);
Pusat perbelanjaan (Indomaret, Alfamaret, Supermarket, Pasar Tradisional);
Perbankan (Bank, ATM), tempat pariwisata.

Kerentanan dipengaruhi oleh faktor kependudukan (Kepadatan Penduduk,

Kelompok Umur dan Rasio Jenis kelamin)

Kapasitas tercermin dari keberadaan rumah sakit, kapasitas rumah sakit, dan
Puskesmas.
DATA SPASIAL
Jumlah Kasus Interpolasi
Analisis Spasial
Dengan Rumus:
Pos, ODP, PDP Krigging
Bahaya (60%) = Kasus Positif (60%) + Pusat Keramaian (20%) + Hub
Transportasi (20%)
Kerentanan (40%) = Kepadatan Penduduk (60%) + Usia Rentan (40%)
Euclidean
Hub Transportasi Distance

Pusat Normali Bahaya/Ancaman

Keramaian/Niaga sasi Fuzzy
Logic

Tempat Ibadah Kernel Index

Denity Kerentanan Bahaya

Perbankan
Peta
Risiko
Kepadatan Covid 19
Penduduk dan Normali Kerentanan
Usia Rentan sasi
Fuzzy
Topo to Logic
Kapasitas RS Kapasitas
Raster
 Pembobotan dan pengolahan data
Bahaya (H) Kerentanan (V) Kapasitas (C) Risiko (R)
Bobot Bobot
𝑽
Parameter \ Sub- Bobot Bobot Sub- Bobot Total per Parameter \ Sub-
Parameter \ Sub-
parameter Paremeter parameter Sub-parameter Paremeter / Paremeter /
Kasus Covid-19 80%
parameter
sub-parameter
parameter
sub-parameter H= 𝑯 ∗
Positif
PDP
90%
6%
72.00%
4.80%
Kependudukan
Kepadatan penduduk
100%
80%
Fasilitas
Rumah sakit
100%
25%
𝑪
ODP 4% 3.20% Kelompok umur 10% Kapasitas rumah 25%
Hub transportasi 7% Rasio jenis kelamin 10% Puskesmas 25%
Terminal 15% 1.05%
Faskes lainnya 25%
Stasiun 20% 1.40%
Pelabuhan 5% 0.35% Pengolahan data
Bandara 60% 4.20%
Tempat ibadah 3%
Overlay dengan
Masjid 60% 1.80% Analisis density Normalisasi
pembobotan
Gereja 30% 0.90%
Pura 5% 0.15%
Kernel density 𝑛 − 𝑛 m𝑖n
Klenteng 5% 0.15%
Analisis v = (w.Pop) + (w.Umur) + …n
Pusat perbelanjaan 6% 𝑛m𝑎𝑥− 𝑛m𝑖n
Indomaret 25% 1.50%
Alfamaret 25% 1.50% Output Nilai density
Nilai indeks (0 – 1) Nilai indeks (0 – 1)
Pasar Tradisional 20% 1.20%
Department store 30% 1.80%
Perbankan 4%
Bank 40% 1.60%
ATM 60% 2.40%
 Positif PDP ODP

Niaga Fasilitas Ibadah Perbankan Hub/Transportasi

Di Overlay = Ruster Calcutor -------→ peta Bahaya

Penduduk Usia
Kepadatan
60 Tahun Sex ratio Penduduk

Kerentanan

Kapasitas
 Peta Bahaya
- Kasus Covid19:
Positive, PDP, ODP
- Hub transportasi:
terminal, bandara,
pelabuhan, halte, stasiun
- Tempat Ibadah: masjid,
gereja, klenteng, pura
- Tempat
perbelanjaan:
minimarket, pasar
tradisional, dept. Store
- Perbankan: bank,
ATM
 Peta Kerentanan

- Kepadatan penduduk
- Kelompok umur (< 5 dan > 65)
- Rasio jenis kelamin
Kerentanan x Bahaya
 Peta Kapasitas

Fasilitas kesehatan:
- Rumah Sakit (RS),
- Kapasitas RS( jumlah
kamar)
- Puskesmas,
- Fasilitas Kesehatan lainnya
(i.e. klinik)
 Peta Kapasitas

Fasilitas kesehatan:
- Rumah Sakit (RS),
- Kapasitas RS( jumlah
kamar)
- Puskesmas,
- Fasilitas Kesehatan lainnya
(i.e. klinik)
 Peta Risiko

R = H x V/C
Kendala :
Data kasus Covid – 19 di setiap Kabupaten/Kota disamarkan lokasi penderita nya menyebabkan
akurasi analisis kurang bagus Alasan disamarkan karena alasan HAM

Kesimpulan
- hasil dipengaruhi oleh ketersediaan dan kualitas data sebaran Kasus Positif,
PDP, dan ODP
- Perubahan pada sebaran (penambahan atau pengurangan) dapat merubah
zonasi bahaya
- Diperlukan update berkala menyesuaikan dengan ketersediaan data kasus
untuk keperluan Monitoring

Saran :
Pemda sudah seharusnya memetakan wilayahnya dan mempunyai data Digital Geospasial Skala Detail
yang up to date Dari waktu ke waktu, sehingga bisa untuk membantu dalam membuat keputusan secara
cepat dan akurat, Pemda Seharusnya mempunyai SDM Bidang Geospasial yang mumpuni
Pemetaan Banjir Genangan menggunakan Metode
Topographic Wetness Index (TWI) dengan ArcGIS

• Banjir merupakan kejadian bencana yang paling sering terjadi di negara kita ini.

• Kejadian banjir mengakibatkan kerugian dan kerusakan bagi masyarakat dan lingkungan.

• Banjir dipicu oleh beberapa faktor antara lain faktor hidrometeorologi, topografi, geologi, tanah dan
aktivitas manusia.

• Faktor topografi merupakan faktor kontrol pemicu banjir.

• Perhitungan topografi untuk deteksi kerawanan banjir genangan dapat dilakukan dengan metode
Topographic Wetness Index (TWI).
Sumber Data Spasial :
https://tanahair.indonesia.go.id/demnas/#/
https://tanahair.indonesia.go.id/portal-web/downloadpetacetak?skala=25K
http://geoportal.manadokota.go.id/layers/?limit=20&offset=0
 DEM Alur Perhitungan TWI
nilai TWI menggambarkan
tingkat kebasahan lahan yang
Fill
diasumsikan berasosiasi
Slope degree dengan kerawanan terhadap
bencana banjir khususnya
Flowdirection (Fd) banjir genangan.

Slope_Radian Tan((“Slope”*1.570796)/90)
Flowaccumulation (Fa)

Fa_Scaled Tangent_Slope Con(“Slope_radian”== 0,0.001, [Slope_radian])

(Fa+1) * Cell Size

TWI Ln (Fa_Scaled / Tangent_slope

TWI digunakan sebagai dasar penentuan daerah yang rawan terjadi genangan berdasarkan nilai
indexnya

Semakin Nilai Tinggi Indeks semakin rawan terjadi genangan

Nilai TWI dan Kejadian Banjir Manado

Tingkat Kerawanan Genangan
Berdasarkan Nilai TWI
LEMBAGA GEOSPASIAL BUMI NUSANTARA